論文の概要: SurvICL: a Foundation Model for in-context Survival Analysis

• arxiv url: http://arxiv.org/abs/2610.22242v1
• Date: Thu, 15 Oct 2026 17:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.220834
• Title: SurvICL: a Foundation Model for in-context Survival Analysis
• Title（参考訳）: SurvICL : 文脈内生存分析の基礎モデル
• Abstract要約: 本稿では,テキスト中の生存曲線を予測するTFMであるSurvICLを紹介する。 SurvICLは、その合成事前学習データ生成装置が無検閲のイベント時間を提供できるため、通常の量子レグレッション損失で訓練される。 これまでに103データセットにまたがる最大のサバイバルベンチマークを紹介します。
• 参考スコア（独自算出の注目度）: 19.246701144783042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular foundation models (TFMs) now outperform gradient-boosted trees in classification and regression. Yet in survival analysis, which predicts when an event occurs from censored data, often on small clinical cohorts, we find that no existing TFM beats the half-century-old Cox model. We address this issue by introducing SurvICL, a TFM that predicts survival curves in-context. SurvICL is pretrained on purely synthetic datasets generated from a novel flexible proportional-odds prior that outperforms other prior types in our ablation study. Unlike most other survival models, SurvICL is trained with a plain quantile regression loss, which is possible because its synthetic pre-training data generator can provide uncensored event times. Additionally, we introduce the largest survival benchmark to date spanning 103 datasets. On the 63 datasets held out from all design decisions, SurvICL outperforms 20 tree-based, deep, and foundation-model baselines without any tuning: it wins 82.9\% of pairwise comparisons in integrated Brier score, against 71.3\% for the runner-up, the Cox model, and is the first model to rank above Cox on small datasets.
• Abstract（参考訳）: タブラル基礎モデル(TFMs)は、分類と回帰において勾配木よりも優れている。 しかし、検閲されたデータから発生した事象を、しばしば小さな臨床コホートで予測する生存分析では、既存のTFMが半世紀前のCoxモデルに勝ることはない。 本稿では,テキスト中の生存曲線を予測するTFMであるSurvICLを導入することでこの問題に対処する。 SurvICLは、新しいフレキシブルな比例オードから生成された純粋な合成データセットで事前訓練され、アブレーション研究において他の先行型よりも優れている。 他の多くのサバイバルモデルとは異なり、SurvICLは通常の量子レグレッション損失で訓練されている。 さらに、これまでに103データセットにまたがる最大のサバイバルベンチマークを紹介します。 すべての設計上の決定から得られた63のデータセットでは、SurvICLは20のツリーベース、ディープ、ファンデーションモデルベースラインをチューニングせずに上回る。

関連論文リスト

• Efficient Learning of Survival Analysis Models Under Outcome-Dependent Truncation and Censoring [48.56507763517103]
  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。
  論文  参考訳（メタデータ） (2026-10-08T13:32:56Z)
• GeneICL: A Tabular Foundation Model for Bulk Transcriptomics [40.70020444515545]
  遺伝子発現は生医学において広く測定されている。 臨床結果の予測は、高次元性、強い特徴相関、限られたラベル付きデータにより依然として困難である。
  論文  参考訳（メタデータ） (2026-10-06T17:10:37Z)
• Preventing Model Collapse: A Fisher-Rao Perspective on the Dynamics of Training with Synthetic Data [3.785693142241134]
  LLM(Large Language Models)は、合成データを用いて日常的に訓練される。 合成データと新鮮な人間のデータの混合に関するトレーニングは論理的な対策であり、モデル崩壊を防ぐことができる。 我々は,モデル崩壊防止に必要な人的データの最小値について,厳密な理論的保証を確立する。
  論文  参考訳（メタデータ） (2026-09-16T16:14:02Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
  本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。 我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
  論文  参考訳（メタデータ） (2024-01-05T08:37:57Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)
• Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
  そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。 我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-05-18T15:13:00Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Federated Survival Analysis with Discrete-Time Cox Models [0.46331617589391827]
  私たちは、フェデレートラーニング(FL)を用いて、異なるセンターに位置する分散データセットから機械学習モデルを構築します。 得られたモデルが、いくつかの悪い設定で重要なパフォーマンス損失を被る可能性があることを示す。 このアプローチを用いて、合成データに基づく標準FL技術と、The Cancer Genome Atlas (TCGA)による実世界のデータセットを用いて生存モデルを訓練する。
  論文  参考訳（メタデータ） (2020-06-16T08:53:19Z)

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。