論文の概要: The Loss or the Architecture? What Matters in Survival Analysis with Competing Risks

• arxiv url: http://arxiv.org/abs/2610.23322v1
• Date: Fri, 16 Oct 2026 11:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.903763
• Title: The Loss or the Architecture? What Matters in Survival Analysis with Competing Risks
• Title（参考訳）: 損失かアーキテクチャか : 競合リスクの生存分析で何が重要か
• Abstract要約: 新しいアーキテクチャと1から5つのデータセットでテストされた新しいトレーニング損失だ。 2つの軸は独立に変化し、3つの損失、2つの損失は厳密には正当であり、4つのバックボーンは2つのモダリティにまたがる。 両者で1つの損失は、検閲重み付けの下で直接累積インシデントをモデル化することである。 背骨も重要で、モダリティと一致しなければならない。
• 参考スコア（独自算出の注目度）: 10.67741359971955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Often, \emph{eg} in healthcare and predictive maintenance, what matters is which of several competing causes will strike first, and with what probability: survival analysis with competing risks. Corresponding deep learning methods are developed as bundles: a new architecture together with a new training loss, tested on one to five datasets against a handful of baselines. Thus, a state-of-the-art result cannot be attributed to the architecture, the loss, or the evaluation protocol. The coupling is not accidental: with one incidence curve per cause, a network's head is tied to the losses expressible on it. We vary the two axes independently, three losses, two of them strictly proper, on four backbones, across two modalities that tease the axes apart: 20 tabular and 3 pathology-image datasets. One loss wins in both: modelling cumulative incidence directly under censoring weighting. It brings twice as much as benefits a good choice of backbone on competing-risks data, and no more than it on single-event data: the loss is decisive for competing risks. The backbone matters too, and must match the modality: tabular networks lead on tables, pretrained vision encoders on images. The two choices compound rather than substitute. Proper scoring rules reveal these dynamics; the concordance index (C-index), which is not proper, does not separate models: neither axis moves it, not even tuning on the loss built to improve it. This is an avenue of progress: composed, the two give a model nobody has tried, RealMLP or TabM trained with the cumulative-incidence loss, which takes the best Brier score in our benchmark.
• Abstract（参考訳）: 医療と予測的メンテナンスにおいて、しばしば「emph{eg}」は、競合するいくつかの原因のうちどれが最初に打撃を受けるか、どの確率でサバイバル分析と競合するリスクを負うかが重要となる。 新しいアーキテクチャと新しいトレーニング損失は、少数のベースラインに対して1から5つのデータセットでテストされる。 したがって、最先端の結果はアーキテクチャ、損失、評価プロトコルによるものではない。 結合は偶然ではなく、原因ごとに1つの入射曲線を持つと、ネットワークの頭はその上に表現可能な損失に結び付けられる。 2つの軸は独立して変化し、3つの損失、2つは厳密には4つの背骨で、20個の表と3つの病理像のデータセットを区別する2つのモードで変化します。 両者で1つの損失は、検閲重み付けの下で直接累積インシデントをモデル化することである。 競合するリスクデータに対するバックボーンの選択は、競合するリスクに対して2倍の利益をもたらします。 表状のネットワークはテーブルに導かれ、事前に訓練された視覚エンコーダは画像に表示される。 2つの選択は代用ではなく複合である。 適切なスコアリングルールはこれらのダイナミクスを明らかにし、不適切なコンコーダンス指標(C-index)はモデルを分離しない。 合成された2つは、誰も試していないモデルを与え、RealMLPやTabMは累積的なインシデンス損失でトレーニングされ、ベンチマークで最高のBrierスコアを取ります。

関連論文リスト

• Structural Negative Transfer in Federated Graph Neural Networks: Diagnosis, Causal Investigation, and the Limits of Divergence-Aware Mitigation [0.0]
  フェデレーション平均化(Federated Averaging)は、参加者のデータが広範囲に類似している場合、ローカルモデルの平均化が1つの共有問題を解決する合理的な方法であると仮定する。 グラフニューラルネットワークでは,ラベルや特徴分布ではなく,構造自体でクライアントグラフが異なる。
  論文  参考訳（メタデータ） (2026-09-15T10:53:31Z)
• When to Align, When to Predict: A Phase Diagram for Multimodal Learning [17.440086282242124]
  クロスモーダルアライメントとクロスモーダル予測は、表現学習の主要なパラダイムである。 成功の度合い、失敗の度合い、クロスモーダルトレーニングの度合いについて、体系的な理解がない。 両問題に対処する統一線形フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-06-09T17:59:58Z)
• Outlier-Robust Training of Machine Learning Models [21.352210662488112]
  本稿では,外部学習を用いた機械学習モデルの学習のための適応交替アルゴリズムを提案する。 アルゴリズムは、各重みを更新しながら、非ロバスト損失の重み付きバージョンを使用してモデルを反復的に訓練する。 任意の外接点(すなわち、外接点に分布的な仮定がない)を考えると、ロバストな損失核のシグマの使用は収束の領域を増大させる。
  論文  参考訳（メタデータ） (2024-12-31T04:19:53Z)
• Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
  本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。 提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
  論文  参考訳（メタデータ） (2023-08-19T05:34:13Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)
• Deep Ranking with Adaptive Margin Triplet Loss [5.220120772989114]
  本稿では,固定利得三重項損失から適応利得三重項損失への簡単な修正を提案する。 提案した損失は,評価値が連続値である評価データセットに適している。
  論文  参考訳（メタデータ） (2021-07-13T15:37:20Z)
• Fundamental Tradeoffs in Distributionally Adversarial Training [21.6024500220438]
  対向訓練は、対向的摂動に対するモデルの堅牢性を改善する最も効果的な手法の1つである。 本稿では,標準リスクと敵対リスクのトレードオフについて検討する。 標準リスクと敵リスクのトレードオフが3つの設定すべてに現れていることを示す。
  論文  参考訳（メタデータ） (2021-01-15T21:59:18Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。