Fugu-MT 論文翻訳(概要): Censored Flow Matching for Synthetic Time-to-Event Generation

論文の概要: Censored Flow Matching for Synthetic Time-to-Event Generation

arxiv url: http://arxiv.org/abs/2610.24233v1
Date: Fri, 16 Oct 2026 20:58:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-26 10:04:15.354029
Title: Censored Flow Matching for Synthetic Time-to-Event Generation
Title（参考訳）: 合成時間-イベント生成のためのセンサドフローマッチング
Abstract要約: 時系列データを生成するための検閲フローマッチング(CFM)を提案する。 CFMは、差動流の単調性を利用して、プルバックサンプリングによる検閲に対処する。 CFMを用いて臓器調達・移植ネットワーク(OPTN)および集中治療のための医療情報マート(MIMIC-IV)のデータ分析を行う。
参考スコア（独自算出の注目度）: 14.558505278744626
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Generating time-to-event data is increasingly important in survival analysis, but it remains statistically challenging because event times are often censored and thus prevent flexible generative modeling. To fill this gap, we propose a novel method called censored flow matching (CFM), aiming at providing a flexible flow-based generative mechanism for synthesizing time-to-event data as well as learning their corresponding probabilistic densities. Unlike existing methods, CFM does not rely on survival likelihoods to handle censoring, but instead exploits the monotonicity property of differential flows to address censoring via pullback sampling. Under this framework, we implement an alternating procedure between pullback sampling and CFM steps, leading to a flow-based expectation--maximization (EM) algorithm tailored for time-to-event inference. Under mild distributional conditions, we establish the convergence of CFM to the true event-time distribution as the EM iterations proceed. We then apply CFM to generate time-to-event data and estimate their probabilistic densities, where the observed censoring time can be incorporated to provide truncated sampling or truncated density estimation for survival inference. Through extensive simulation studies, we demonstrate the benefits of CFM for complex and large-scale data generation. Finally, we apply CFM to analyze data from the Organ Procurement and Transplantation Network (OPTN) and the Medical Information Mart for Intensive Care IV (MIMIC-IV), showcasing its benefits for synthetic and predictive survival analyses in terms of data fidelity, predictive performance, and empirical privacy characteristics.
Abstract（参考訳）: 時系列データの生成は生存分析においてますます重要になっているが、イベント時間が検閲され、フレキシブルな生成モデリングが防止されるため、統計的に困難である。このギャップを埋めるために、我々は、時間と空間のデータを合成し、対応する確率密度を学習するためのフレキシブルなフローベース生成メカニズムを提供することを目的とした、検閲フローマッチング(CFM)と呼ばれる新しい手法を提案する。既存の方法とは異なり、CFMは検閲を扱うために生存可能性に頼らず、代わりに差動フローの単調性を利用してプルバックサンプリングによって検閲に対処する。このフレームワークでは、プルバックサンプリングとCFMステップの交互処理を実装し、時間とイベントの推論に適したフローベースの予測-最大化(EM)アルゴリズムを実現する。軽度分布条件下では、EMイテレーションが進むにつれて、CFMの真の事象時分布への収束を確立する。次に,CFMを用いて時系列データを生成し,その確率密度を推定する。そこでは,観測された検閲時間を組み込むことにより,生存推定のための無作為サンプリングや無作為密度推定を行うことができる。大規模・大規模データ生成におけるCFMの利点をシミュレーション研究により明らかにした。最後に,CFMを用いて臓器調達・移植ネットワーク(OPTN)とMIMIC-IV(MIMIC-IV)のデータを分析し,データの正確性,予測性能,経験的プライバシ特性の観点から,人工的および予測的生存分析のメリットを示す。

関連論文リスト

MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。 MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
論文参考訳（メタデータ） (2026-09-04T07:02:12Z)
From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文参考訳（メタデータ） (2026-07-10T20:59:06Z)
SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis [0.6882042556551609]
生存拡散確率モデル(Survival Diffusion Probabilistic Model, SDPM)は、持続的生存分析のための生成的アプローチである。 SDPMは、標準化されたログタイムと検閲指標の連続したガウス混合表現を用いて、変換されたターゲット空間で動作する。その結果,SDPMはC-index,統合時間依存型AUC,統合型Brierスコア間での競合予測性能が得られた。
論文参考訳（メタデータ） (2026-05-21T17:33:47Z)
Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection [0.6399763005153404]
時間条件付きフロー(tcNF)は時系列データの異常検出に対処する新しいフレームワークである。 tcNFは複雑な時間的ダイナミクスを効果的に捉え、期待される振る舞いの正確な確率を生成する。我々は,様々なデータセット上でtcNFを評価し,既存の手法と比較して精度と堅牢性を実証した。
論文参考訳（メタデータ） (2026-03-10T10:49:48Z)
Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文参考訳（メタデータ） (2025-09-27T20:57:48Z)
SurvDiff: A Diffusion Model for Generating Synthetic Data in Survival Analysis [34.89334607334426]
生存分析は、転移、疾患再発、または患者の死亡などの時間と時間の結果をモデル化することによって臨床研究の基盤となる。 SurvDiffは、生存分析において合成データを生成するために特別に設計されたエンドツーエンドの拡散モデルである。シュルブディフは、複数の医療データセットにおける分布的忠実度と下流評価指標の両方において、最先端の世代ベースラインを一貫して上回ることを示す。
論文参考訳（メタデータ） (2025-09-26T13:50:29Z)
Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2024-11-12T15:06:04Z)
Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
論文参考訳（メタデータ） (2024-10-03T03:13:15Z)
CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文参考訳（メタデータ） (2023-09-07T17:07:33Z)

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。