arXiv:2505.11054v2 Announce Type: replace 
Abstract: We introduce NeuralSurv, the first deep survival model to incorporate Bayesian uncertainty quantification. Our non-parametric, architecture-agnostic framework captures time-varying covariate-risk relationships in continuous time via a novel two-stage data-augmentation scheme, for which we establish theoretical guarantees. For efficient posterior inference, we introduce a mean-field variational algorithm with coordinate-ascent updates that scale linearly in model size. By locally linearizing the Bayesian neural network, we obtain full conjugacy and derive all coordinate updates in closed form. In experiments, NeuralSurv delivers superior calibration compared to state-of-the-art deep survival models, while matching or exceeding their discriminative performance across both synthetic benchmarks and real-world datasets. Our results demonstrate the value of Bayesian principles in data-scarce regimes by enhancing model calibration and providing robust, well-calibrated uncertainty estimates for the survival function.

NeuralSurv هو نموذج بقاء عميق مبتكر يدمج قياس عدم اليقين البايزي، مما يمثل تقدمًا كبيرًا في تحليل البقاء. يتيح هذا الإطار فهمًا أفضل لعلاقات المخاطر المتغيرة مع الزمن، وهو أمر حاسم في مجالات مثل الرعاية الصحية والمالية. من خلال استخدام مخطط فريد لزيادة البيانات على مرحلتين وخوارزمية تباينية ذات مجال متوسط، لا يحسن NeuralSurv دقة التنبؤات فحسب، بل يوفر أيضًا ضمانات نظرية لأساليبه. يمكن أن يؤدي هذا التطور إلى عمليات اتخاذ قرارات أكثر موثوقية في التطبيقات الحرجة.

NeuralSurv es un modelo de supervivencia profundo innovador que incorpora la cuantificación de la incertidumbre bayesiana, lo que representa un avance significativo en el análisis de supervivencia. Este marco permite una mejor comprensión de las relaciones de riesgo que varían en el tiempo, lo cual es crucial en campos como la salud y las finanzas. Al emplear un esquema único de aumento de datos en dos etapas y un algoritmo variacional de campo medio, NeuralSurv no solo mejora la precisión de las predicciones, sino que también proporciona garantías teóricas para sus métodos. Este desarrollo podría llevar a procesos de toma de decisiones más confiables en aplicaciones críticas.

NeuralSurv est un modèle de survie profond révolutionnaire qui intègre la quantification de l'incertitude bayésienne, marquant une avancée significative dans l'analyse de survie. Ce cadre innovant permet une meilleure compréhension des relations de risque variant dans le temps, ce qui est crucial dans des domaines comme la santé et la finance. En utilisant un schéma unique d'augmentation de données en deux étapes et un algorithme variationnel à champ moyen, NeuralSurv améliore non seulement la précision des prédictions, mais fournit également des garanties théoriques pour ses méthodes. Ce développement pourrait conduire à des processus de prise de décision plus fiables dans des applications critiques.

NeuralSurv is a groundbreaking deep survival model that integrates Bayesian uncertainty quantification, marking a significant advancement in survival analysis. This innovative framework allows for a better understanding of time-varying risk relationships, which is crucial for fields like healthcare and finance. By employing a unique two-stage data-augmentation scheme and a mean-field variational algorithm, NeuralSurv not only enhances the accuracy of predictions but also provides theoretical guarantees for its methods. This development could lead to more reliable decision-making processes in critical applications.

NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification

arXiv:2202.09134v5 Announce Type: replace-cross 
Abstract: We provide universality results that quantify how data augmentation affects the variance and limiting distribution of estimates through simple surrogates, and analyze several specific models in detail. The results confirm some observations made in machine learning practice, but also lead to unexpected findings: Data augmentation may increase rather than decrease the uncertainty of estimates, such as the empirical prediction risk. It can act as a regularizer, but fails to do so in certain high-dimensional problems, and it may shift the double-descent peak of an empirical risk. Overall, the analysis shows that several properties data augmentation has been attributed with are not either true or false, but rather depend on a combination of factors -- notably the data distribution, the properties of the estimator, and the interplay of sample size, number of augmentations, and dimension. As our main theoretical tool, we develop an adaptation of Lindeberg's technique for block dependence. The resulting universality regime may be Gaussian or non-Gaussian.

أظهرت دراسة حديثة نتائج عالمية تتعلق بتأثير زيادة البيانات على التباين والتوزيع المحدود للتقديرات، مما يشير إلى أنها قد تزيد من عدم اليقين بدلاً من تقليله في بعض الأحيان. تسلط التحليل الضوء على أن فعالية زيادة البيانات تعتمد على عوامل متعددة، بما في ذلك توزيع البيانات وخصائص المُقدّر.

Un estudio reciente ha revelado resultados de universalidad sobre el impacto de la augmentación de datos en la varianza y la distribución límite de las estimaciones, indicando que a veces puede aumentar la incertidumbre en lugar de disminuirla. El análisis destaca que la efectividad de la augmentación de datos depende de varios factores, incluyendo la distribución de datos y las propiedades del estimador.

Une étude récente a révélé des résultats de universalité concernant l'impact de l'augmentation des données sur la variance et la distribution limite des estimations, indiquant qu'elle peut parfois augmenter l'incertitude plutôt que de la diminuer. L'analyse souligne que l'efficacité de l'augmentation des données dépend de divers facteurs, y compris la distribution des données et les propriétés de l'estimateur.

A recent study has revealed universality results regarding the impact of data augmentation on the variance and limiting distribution of estimates, indicating that it can sometimes increase uncertainty rather than decrease it. The analysis highlights that the effectiveness of data augmentation is contingent on various factors, including data distribution and estimator properties.

NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification

Was this article worth reading? Share it

LucidQuery AI

Augmeta

Portfolio Backtest