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
生存分析提供了关于各个领域中部分不完整的事件发生时间数据的关键洞察。它也是概率机器学习的一个重要示例。我们的提案以一种通用的方式利用了预测的概率特性,使用(适当的)评分规则而不是基于似然的优化来进行模型拟合过程。我们建立了不同的参数和非参数子框架,允许不同程度的灵活性。结合神经网络,它导致了一种计算高效和可扩展的优化程序,产生了最先进的预测性能。最后,我们展示了使用我们的框架,我们能够恢复各种参数模型,并证明在与基于似然方法相比时,优化同样有效。
Mar, 2024
提出了一种基于神经网络的生存回归模型 SurvivalMonotonic-net (SuMo-net),该方法使用时间相关权重的单调限制直接优化对数似然函数,达到了多个数据集上最先进的对数似然得分,是现有神经方法的 20-100× 计算速度加速,适用于具有数百万观测值的数据集。
Mar, 2021
本文概述了在统计推断中使用正确评分规则的一些应用,包括频率主义估计理论和使用不合适的先验贝叶斯模型选择。
Jan, 2014
该文研究了几种评分规则,以便为概率预测模型评分或估计模型参数。研究发现,采用对数评分规则以在更不确定的情况下犯错为优势,采用球形评分规则则以在较低不确定性下犯错为优势,而其他评分规则则对两种选择都不关心。
Dec, 2011
本文讨论了个性化生存分布(ISD)模型以及它们与标准模型的区别,探讨了 ISD 模型的评估方法,提出了一种新的方法 D-Calibration,用于确定模型的概率估计是否有意义,并使用这些方法来评估多种 ISD 预测工具。
Nov, 2018
我们提出了一个用于多个医疗数据所有者之间协作构建联邦评分系统的新框架,旨在确保隐私和通信效率,并在应用于新加坡和美国的急诊科的异质生存数据时证明了其更好的性能。
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
本文探讨了如何通过得分规则衡量概率预测方案的性能,包括在二元情况下的 Brier 得分和有限值目标的预测,分析了分辨率和可靠性对得分的积极影响以及与预测质量相关的概念。
Jun, 2008
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