論文の概要: Efficient Learning of Survival Analysis Models Under Outcome-Dependent Truncation and Censoring

• arxiv url: http://arxiv.org/abs/2610.12538v2
• Date: Tue, 13 Oct 2026 16:30:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.867514
• Title: Efficient Learning of Survival Analysis Models Under Outcome-Dependent Truncation and Censoring
• Title（参考訳）: アウトカム依存トランニケーションと検閲による生存分析モデルの効率的な学習
• Abstract要約: 我々は、ラベルによって訓練されたデータに観察結果が現れる結果依存的トランケーションに焦点を当てる。 我々は,コークスの回帰を,切り詰めたデータと右走したデータで効率的に学習できることを証明した。
• 参考スコア（独自算出の注目度）: 48.56507763517103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern machine learning models are typically trained on data assumed to be representative of the predictive tasks the model will face in the future, but practical datasets violate this assumption. We focus on outcome-dependent truncation in which an observation appears in the training data depending on its label. Our work connects two largely distinct literatures: efficient learning under truncation and survival analysis. Existing methods for truncated survival analysis do not characterize the optimization landscape and instead rely on iterative procedures such as expectation maximization. We address this gap and prove that Cox regression can be efficiently learned under truncated and right-censored data using first-order optimization when the baseline hazard is known (despite nonconvexity). In contrast, when the baseline hazard is learned jointly, we construct identifiable and correctly specified models whose negative log-likelihood contains strict suboptimal local minima. On experiments with four survival datasets, we show that accounting for truncation reduces the prediction bias induced by naive Cox regression and extends to neural networks. We also show orders of magnitude speedups compared to standard expectation maximization.
• Abstract（参考訳）: 現代の機械学習モデルは、一般的に、モデルが将来的に直面するであろう予測タスクを表すと想定されるデータに基づいて訓練されるが、実用的なデータセットはこの仮定に違反している。 ラベルによってトレーニングデータに観察結果が現れる結果依存的切り離しに着目した。 我々の研究は2つの大きく異なる文献を結びつけている。 既存の生存分析手法は最適化の景観を特徴づけるものではなく、期待の最大化のような反復的な手順に依存している。 このギャップに対処し、(非凸性にもかかわらず)ベースラインハザードが知られている場合、一階最適化を用いて、トラッピングデータと右チャージデータの下で効率的にCox回帰を学習できることを証明する。 対照的に、ベースラインハザードが共同で学習されると、負の対数類似度が厳密な局所最小値を含む識別可能かつ正しく特定されたモデルを構築する。 4つのサバイバルデータセットを用いた実験では、トランケーションの計算により、単純コックス回帰によって引き起こされる予測バイアスが減少し、ニューラルネットワークに拡張されることが示されている。 また、標準的な期待値の最大化と比較して、桁違いのスピードアップを示す。

関連論文リスト

• Self-Consistent Equation-guided Neural Networks for Censored Time-to-Event Data [11.550402345767141]
  本稿では,自己整合方程式を利用した生成逆数ネットワークを用いた条件付き生存関数の非パラメトリック推定手法を提案する。 提案手法はモデルフリーであり,条件付き生存関数の構造に関するパラメトリックな仮定は不要である。
  論文  参考訳（メタデータ） (2025-03-12T06:24:35Z)
• Understanding Optimal Feature Transfer via a Fine-Grained Bias-Variance Analysis [10.79615566320291]
  転送学習パラダイムでは、データ豊富な事前学習段階で有用な表現(または特徴)を学習し、事前訓練された表現を使用して、データスカース下流タスクのモデルパフォーマンスを改善する。 そこで本研究では,下流性能の最適化を目的としたトランスファーラーニングについて検討する。
  論文  参考訳（メタデータ） (2024-04-18T19:33:55Z)
• Hessian-Free Online Certified Unlearning [8.875278412741695]
  ほぼ瞬時にデータを除去するオンライン・アンラーニングアルゴリズムを開発した。 提案手法は,非学習および一般化保証の観点から,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-02T07:54:18Z)
• Performative Prediction with Neural Networks [24.880495520422]
  パフォーマンス予測は、予測するデータに影響を与えるモデルを学習するためのフレームワークである。 繰り返しリスク最小化法を用いて、性能的に安定な分類器を見つけるための標準収束結果は、データの分布がモデルのパラメータに連続であることを仮定する。 この研究では、データ分布はモデルの予測に関してリプシッツ連続であると仮定する。
  論文  参考訳（メタデータ） (2023-04-14T01:12:48Z)
• Near-optimal Offline Reinforcement Learning with Linear Representation: Leveraging Variance Information with Pessimism [65.46524775457928]
  オフライン強化学習は、オフライン/歴史的データを活用して、シーケンシャルな意思決定戦略を最適化しようとしている。 線形モデル表現を用いたオフライン強化学習の統計的限界について検討する。
  論文  参考訳（メタデータ） (2022-03-11T09:00:12Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。