一致化生存分析
该论文介绍了一种参数化的生存模型,通过放宽条件独立性的假设,扩展现代非线性生存分析并在合成和半合成数据中显著提高了生存分布的估计。
Jun, 2023
在这项工作中,我们提出了一种灵活的基于深度学习的生存分析方法,同时适应了相关的审查,并消除了关于地面真实模型的要求。我们从广泛的数据集实验证明,与现有方法相比,我们的方法成功地识别了潜在的依赖结构,并显著减少了生存估计偏差。
Dec, 2023
本文介绍了一种利用合规回归方法改进模型校准而不降低判别能力的新方法,通过对 11 个真实数据集进行验证,展示了该方法在不同场景下的实际适用性和稳健性。
May, 2024
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
本文介绍了一种新的预测方法,将 Conformal prediction 和经典的 quantile regression 相结合,使其完全适应异方差性,并且能够在不做分布假设的情况下,建立具有有效覆盖率的预测区间,相比其他 conformal 方法,本文提出的方法具有更高的效率和更短的预测区间。
May, 2019
本文提出了基于顺应性推断的无分布预测推断的一般框架,并通过分析和比较其两个主要变体:完整顺应性推断和分裂顺应性推断以及相关的 jackknife 法,作出了在统计准确度和计算效率之间的不同权衡。与此同时,本文还发展了一种构建有效样本内预测间隔的方法,称为 “排名为一” 的顺应性推断。本文提出的所有提案的实施都可以使用 R 包 “conformalInference” 进行。
Apr, 2016
我们提出了一个非参数模型无关的框架,用于构建保险索赔的预测区间,并给出了统计保证,将分裂拟合预测技术扩展到两阶段频率严重性建模领域。通过模拟和真实数据集展示了该框架的有效性,当基础严重性模型是随机森林时,我们扩展了两阶段分裂拟合预测过程,展示了如何利用袋外机制消除校准集的需求,并能够生成具有自适应宽度的预测区间。
Jul, 2023
本文考虑面向分布无关的预测推断问题,目标是生成有条件而非边缘的预测覆盖保证。我们旨在探索边缘覆盖保证的实际问题,并研究一些能够缓解一些实际关注的条件覆盖性质松弛类型,同时仍能在分布无关的环境下实现。
Mar, 2019
本文开发了一种符合性方法,用于计算自适应于倾斜数据的非参数回归预测区间,利用黑盒机器学习算法用直方图估计结果的条件分布,将它们转化为具有近似条件覆盖的最短预测区间,数值实验表明,与最先进的相关方法相比,这些结果在有限样本情况下可以得到较好的表现,并且如果黑盒模型一致,则渐近达到条件覆盖和最优长度。
May, 2021