ICMLJun, 2023

评估生存模型的一种有效有意义的方法

PDF
TL;DR本文探讨了一些方法来评估生存数据集的 MAE，并介绍了一个生成逼真半合成生存数据集来帮助评估性能的新方法。我们的发现表明，我们提出的伪观察值方法可以准确地根据其性能排名模型，并且通常与真实的 MAE 接近 - 特别是优于几种替代方法。
survival prediction modelmean absolute errorright censored individualssemi-synthetic survival datasetspseudo-observations
发现论文，激发创造
  • 模型选择和模型估计中更好的相对预测准确度度量

    该论文探讨了预测准确性测量中最广泛使用的均方误差绝对百分比（MAPE）存在的偏差，并提出了使用相对精度度量时的优越性，特别是在存在异方差性的数据中。该方法可避免 MAPE 的偏见，并可用于模型选择和参数拟合。

    May, 2021

  • 回归模型中的平均绝对百分比误差

    本文研究了使用平均绝对百分比误差（MAPE）作为回归模型质量度量的后果。我们证明了最佳 MAPE 模型的存在，并展示了基于 MAPE 的经验风险最小化的普适一致性。我们还表明，在 MAPE 下找到最佳模型等价于进行加权平均绝对误差（MAE）回归，并将此加权策略应用于核回归。作者还展示了 MAPE 核回归在模拟数据上的行为。

    May, 2016

  • 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

  • 异质因果效应估计模型选择的实证分析

    研究因果推断中的模型选择问题，特别是针对二元处理条件下的条件平均处理效应（CATE）估计问题。作者设计了一种不依赖反事实数据的模型选择技术，并通过广泛实证分析验证了各种代理度量标准在真实数据集上的性能表现。

    Nov, 2022

  • 基于深度神经网络的向量到向量回归问题的平均绝对误差

    本文探究均方误差作为深度神经网络回归模型的损失函数的性质，提出了均方误差的新特性使其成为更适合于 DNN 的回归损失函数，并阐述了 MAE 作为拉普拉斯分布错误的模型的优越性以及实现 MAE 比 MSE 更好地拟合深度神经网络回归的性能优势。

    Aug, 2020

  • 基于卡尔曼滤波器的框架进行住院期间死亡预测模型的性能监控

    为了在比较不同时间段的二元分类器的性能时更公平，我们提出了一种基于卡尔曼滤波器的方法，通过调整样本量和类别分布来估计性能指标的均值和随时间变化。我们在合成数据集和 COVID-19 患者的医院内 2 天预测模型上验证了该方法的有效性，并得出结论：我们的预测模型对疾病的演变、治疗改进和医院运营计划变化影响不大。

    Feb, 2024

  • 基于 Copula 的深层生存模型 —— 用于相关截尾数据的分析

    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

  • 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

  • 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

  • 超越 RMSE 和 MAE：引入 EAUC 揭示二元回归模型中的隐藏偏见和不公平

    本研究介绍了对双元回归模型的偏差感知评估以避免在关键现实应用中潜在的不公平和风险，证明了使用 Eccentricity-Area Under the Curve 作为补充指标可以量化被称为偏心偏差的现象。

    Jan, 2024