論文の概要: Distributionally Robust Survival Models under Subpopulation Shift and Outlier Contamination
- arxiv url: http://arxiv.org/abs/2610.02868v1
- Date: Fri, 02 Oct 2026 06:07:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.238662
- Title: Distributionally Robust Survival Models under Subpopulation Shift and Outlier Contamination
- Title（参考訳）: サブポピュレーションシフトと外層汚染下における分布ロバスト生存モデル
- Abstract要約: シフト中の堅牢な生存モデルを学習することは、多くのアプリケーションにおいて重要であるが難しい問題である。
本稿では,潜伏するサブポピュレーションシフトと外層汚染に共同で対処する,新しいロバストな分散フレームワークを提案する。
シミュレーションデータと2つのサバイバルベンチマーク実験により, サブポピュレーションシフトと汚染の同時発生時に, 提案手法が頑健であることが確認された。
- 参考スコア（独自算出の注目度）: 5.630530373119448
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning robust survival models under distribution shift is an important but challenging problem in many applications. In heterogeneous populations, a model that performs well on average may still perform poorly on certain subpopulations, and this issue becomes even more severe when the training data are contaminated by outliers. In this paper, we propose a novel distributionally robust framework for survival analysis that jointly addresses latent subpopulation shift and outlier contamination. The proposed method combines an outer minimization that selects a refined nominal distribution by reducing the influence of contaminated samples and an inner maximization that focuses on the most challenging subpopulation. This formulation directly accommodates non-decomposable survival losses while preserving interactions across samples, including the risk-set structure of the Cox negative partial log-likelihood. We develop an alternating gradient-based algorithm with outer updates derived from the KKT conditions of the inner maximization. Experiments on simulated data and two survival benchmarks demonstrate that the proposed method remains robust when subpopulation shift and outlier contamination occur simultaneously. It stabilizes training in contaminated settings and substantially improves worst-group performance across both linear and nonlinear survival models, while maintaining competitive and sometimes superior overall performance.
- Abstract（参考訳）: 分散シフトの下で頑健な生存モデルを学習することは、多くのアプリケーションにおいて重要であるが難しい問題である。
不均質な集団では、平均的に良好に機能するモデルが特定のサブポピュレーションに対して依然として不十分であり、トレーニングデータが外れ値によって汚染されると、この問題はさらに深刻になる。
本稿では,潜伏するサブポピュレーションシフトと外層汚染に共同で対処する,分布的に頑健なサバイバル分析フレームワークを提案する。
提案手法は, 汚染試料の影響を低減し, 精巧な名目分布を選択する外的最小化と, 最も難易度の高いサブポピュレーションに着目した内的最大化とを組み合わせる。
この定式化は、Cox負の部分ログのようなリスクセット構造を含むサンプル間の相互作用を保ちながら、分解不能な生存損失を直接許容する。
我々は、内部最大化のKKT条件から外的更新を導出した交互勾配に基づくアルゴリズムを開発した。
シミュレーションデータと2つのサバイバルベンチマーク実験により, サブポピュレーションシフトと外層汚染の同時発生時に, 提案手法が頑健であることが確認された。
汚染された環境でのトレーニングを安定させ、線形および非線形サバイバルモデルの両方で最悪のグループパフォーマンスを著しく改善すると同時に、競争力と時には全体的なパフォーマンスを向上する。
関連論文リスト
- Robust Dual-Regularized Variable Selection under Outlier Contamination [0.0]
本研究では,外層汚染を伴う単一指標モデルにおける変分選択のための勾配法(smOPG)の2段階的中央値外積を提案する。
大気汚染とゲノムデータへの応用は実用性を示し、理論は個々の局所回帰の選択一貫性を必要とせず、アクティブセットの回復を確立する。
論文 参考訳（メタデータ） (2026-09-18T05:56:33Z) - Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。
本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。
情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
論文 参考訳（メタデータ） (2026-04-05T19:07:24Z) - Inverse Reinforcement Learning for Minimum-Exposure Paths in Spatiotemporally Varying Scalar Fields [49.1574468325115]
このようなパスのトレーニングデータセットに類似した最小露出パスのデータセットを合成する問題を考える。
本論文の主な貢献は、この問題を解決するための逆強化学習(IRL)モデルである。
提案したIRLモデルは,トレーニングデータセットにない初期条件から経路を合成する際の優れた性能を提供する。
論文 参考訳（メタデータ） (2025-03-09T13:30:11Z) - Learning from a Biased Sample [2.7728441305894447]
本稿では,テスト分布のファミリーで発生する最悪のリスクを最小限に抑える決定ルールの学習方法を提案する。
本研究では,健康調査データからメンタルヘルススコアの予測を行うケーススタディにおいて,提案手法を実証的に検証した。
論文 参考訳（メタデータ） (2022-09-05T04:19:16Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。
提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
論文 参考訳（メタデータ） (2021-06-10T14:10:25Z) - Distributionally Robust Losses for Latent Covariate Mixtures [28.407773942857148]
与えられたサイズの全てのサブポピュレーションに対して最悪のケース性能を制御する凸手順を提案する。
我々は, 語彙的類似性, ワイン品質, リシディミズム予測タスクを観察し, 最悪のケースでは, 未知のサブ集団に対して良好に作用するモデルを学習する。
論文 参考訳（メタデータ） (2020-07-28T04:16:27Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳（メタデータ） (2020-07-12T15:31:24Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳（メタデータ） (2020-02-29T22:41:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。