Oct, 2018

非参数贝叶斯 Lomax 代理竞速模型在具有竞争风险的生存分析中的应用

HTML
PDF
TL;DR该研究提出了Lomax代表竞争竞赛（LDR）模型，可通过竞赛一定数量的子风险来解释非单调协变效应，并放宽常见的比例危险函数假设。研究人员通过数据扩充开发了一个Gibbs采样器进行推断，并提出了一种随机梯度下降最大后验推断算法。在合成和真实数据集上进行了实验，并与竞争风险生存分析的各种基准算法进行了比较，证明了LDR的出色性能。
发现论文，激发创造
  • 生存聚类分析

    本文介绍了一种基于贝叶斯非参数的方法，用于识别具有不同风险特征的子种群，并通过在群体层面上利用规律来优化个体预测的时间，进而提高预测性能和可解释性。

    Feb, 2020

  • 深度生存机器: 有竞争风险的被审查数据的完全参数生存回归和表征学习

    本文介绍一种新的参数方法来评估具有截尾数据的时间事件预测问题中的相对风险，通过联合学习输入协变量的深度非线性表示，我们展示了我们的方法在多个不同程度的截尾实际世界数据集上估算生存风险的优势，并证明我们的模型在竞争风险情景中的优势。据我们所知，这是在存在截尾时进行全参数生存时间与竞争风险估计的第一项研究。

    Mar, 2020

  • 神经细分-针对竞争风险的单调神经网络

    本文利用受限单调神经网络对具有竞争风险的生存分布进行建模，确保了在减少计算成本的同时实现了精确的最大似然估计，并在一项合成和三个医学数据集上展示了解决方案的有效性。最后，我们讨论了在开发医疗实践风险评分时考虑竞争风险的意义。

    May, 2023

  • CenTime: 事件条件下的生存分析中截尾建模

    提出了CenTime，一种用于生存分析的新方法，该方法通过创新的事件条件压缩机制直接估计事件发生时间，即使在无未被压缩的数据的情况下，我们的方法依然能够形成事件模型参数的一致估计器。

    Sep, 2023

  • 用重要抽样法最大似然估计灵活的生存密度

    提出了一种消除超参数调优负担的生存分析方法，匹配或优于基线模型在多个真实数据集上的效果。

    Nov, 2023

  • 复合生存分析：学习辅助聚合基线和生存得分

    通过将Survival Analysis模型的完整表达分解为聚合基线风险和独立分布的生存得分，改善了该模型的训练和推断方法，实现了对右删失观测的动态处理，并在各种真实世界数据集中取得了与其他最先进方法相媲美的性能，无需进行微调或超参数优化。

    Dec, 2023

  • 在线学习方法用于存活分析

    我们引入了一个在线数学框架，用于生存分析，允许对动态环境和被审查数据进行实时适应。通过优化性能高的二次在线凸优化算法——在线牛顿阶段（ONS），我们能够估计事件时间分布。我们分析了ONS超参数的选择，该选择依赖于指数凹性质并对遗憾界限有重要影响。另外，我们提出了一种保证ONS对数随机遗憾的随机方法。最后，我们通过模拟实验来验证了这些论断。

    Feb, 2024

  • 通过神经网络的近似推理进行贝叶斯生存分析

    本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。

    Apr, 2024

  • 低维数据上生存模型的大规模中性比较研究

    在此论文中，我们进行了首个大规模的中性基准实验，重点关注单事件、右删失、低维度生存数据。我们对18种模型进行了评估，涵盖经典统计方法和常见的机器学习方法，并使用32个公开可用的数据集。通过性能评估，我们发现在低维度、右删失数据的标准生存分析环境中，Cox比例风险模型仍然是足够简单和强大的方法。

    Jun, 2024

  • 教授模型生存力：适当评分规则和具有竞争风险的随机优化

    当数据存在右侧截断情况时，生存分析可以计算“事件发生时间”。多类别的结果导致了一种分类变种：预测最可能的事件，即已知的竞争风险，这方面的研究较少。为了构建一个估计这种情况下的结果概率的损失函数，我们引入了一个严格正确的修正分离的评分规则，这个规则可以在部分数据上进行优化，因为评估是独立于观测的。它可以用于训练梯度提升树来进行竞争风险分析。与11种现有模型相比，这个模型“MultiIncidence”在生存和竞争风险的结果概率估计上表现最佳。它可以在任何时间点进行预测，并且比现有的替代方法快得多。

    Jun, 2024