Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Survival Analysis with Adversarial Regularization

Created by
  • Haebom

作者

Michael Potter, Stefano Maxenti, Michael Everett

概要

本論文では、ニューラルネットワーク（NN）を利用したサバイバル分析（SA）モデルのパフォーマンスを向上させるために、敵対的な堅牢性を導入する方法を紹介します。従来の一般化線形モデルが複雑なデータパターンを適切に捉えることができない限界を克服するためにニューラルネットワークを利用するが、データの不確実性に起因する性能低下の問題を解決するために、敵対的正規化ベースの損失関数を提案する。 CROWN-IBP技術を活用してMin-Max最適化問題の計算コストを削減し、10個のSurvSetデータセットを用いた実験結果、提案された方法(SAWAR)が既存の敵対的学習方法および最先端深層SAモデルをNegLL、IBS、CI指標ですべて凌駕し、基準モデル比で最大150%まで性能向上。これは、データの不確実性を軽減し、さまざまなデータセットで一般化パフォーマンスを向上させることを意味します。

Takeaways、Limitations

•
Takeaways：
◦
敵対的堅牢性によるニューラルネットワークベースの生存分析モデルの性能と信頼性の向上の可能性を提示
◦
さまざまなデータセットで一貫したパフォーマンス向上を示すSAWARの卓越性の証明。
◦
データの不確実性に対するモデルの堅牢性を確保するための新しいアプローチを提示します。
◦
生存分析の分野におけるニューラルネットワークの利用可能性を広げる
•
Limitations：
◦
使用されるデータセットはSurvSetに制限されているため、他の種類のデータセットの一般化パフォーマンス検証が必要です。
◦
CROWN-IBP技術の計算コストは​​依然として高いかもしれません。より効率的な最適化技術の研究が必要
◦
特定の種類のデータの不確実性にのみ焦点を当てた可能性。異なるタイプの不確実性に関するさらなる研究が必要
👍
Made with Slashpage