鲁邦生存分析的对抗正则化
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
该研究提出了一种深度循环生存分析模型,结合了深度学习和生存分析,通过对每个样本的条件概率建模,捕获时间依赖性,预测真实事件发生的可能性并估计被审查数据的生存率,同时不需要假设任何特定形式的事件概率分布,在三个不同领域的实验中,该模型在各种度量标准下明显优于现有解决方案。
Sep, 2018
应用不同的生存分析方法比较其性能,结果表明深度学习(DeepSurv)在歧视度和校准性方面表现最佳,而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。
Mar, 2024
本文提出了一种新颖的正则化方法 SOAR,它是基于强健优化架构中内向最大值的 Taylor 近似推导的上界,实验证明其在对抗样本的生成和鲁棒性上能够显著提高深度神经网络的性能。
Apr, 2020
本文介绍了如何通过机器学习方法进行生存分析,并解决了生存数据缺失和不平衡的问题。我们提出了一种新的生存度量和相应的差异度量,并将其应用于多个存活数据集进行领域适应。我们在两个肿瘤数据集上进行了实验,取得了出色的性能,有望提供更好的治疗建议。
Dec, 2022
为了解决在某些场景下对抗风险无法提供适当的强健度度量的问题,我们开发了一个概率强健风险框架(SRR),它考虑到逐点损坏分布而不是最坏情况下的对手。我们展示了 SRR 的评估和训练方案与自然风险相当简单且高效,能提供优秀的泛化性能,适用于高维数据集。
Dec, 2019
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
生存分析在深度学习领域最近才得到一些关注,本论文提供了连接分类和回归的生存分析工具,包括新的损失函数、评估指标和无需数值积分即可产生生存曲线的第一个全能逼近网络,并通过大型数值研究表明这些工具在生存分析中的效果优于其他方法。
Jul, 2023
该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法,通过有效利用丰富的健康分子数据和电子健康数据,为现代健康数据科学的应用提供了重要支持,并在基准和真实数据集上得到了显著的性能提高。
Apr, 2018
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