使用评分规则训练生存模型

Mar, 2024

Training Survival Models using Scoring Rules

Philipp Kopper, David Rügamer, Raphael Sonabend, Bernd Bischl, Andreas Bender

TL;DR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。

Abstract

survival analysis provides critical insights for partially incomplete time-to-event data in various domains. It is also an important example of probabilistic machine learning. The probabilistic nature of the pred

survival analysis partially incomplete time-to-event data probabilistic machine learning parametric and non-parametric sub-frameworks neural networks

发现论文，激发创造

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

生存分析的适当评分规则

本篇论文研究了四种主要的适用于生存分析中的严格得分规则推广，并且证明了这些扩展在离散化条件下是适当的，并通过真实数据集比较了这些扩展得分规则的估计性能，发现对数分值和布赖尔分值的扩展效果最好。

May, 2023

使用打分规则评估概率预测

本文介绍了 R 包中基于适当的评分规则进行概率模型比较评估的功能，涵盖了应用工作中的各种情况，并且提供气象和经济方面的案例研究和相关文献的指向。

Sep, 2017

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

对抗时间至事件建模

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

评估概率预测

本研究提出了一种新的评估概率预测效果的方法，该方法利用损失函数以及马氏理论来评估预测结果与实际情况之间的关系。

Feb, 2012

利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

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

基于多任务框架的深度神经网络用于生存分析

本文介绍了一种基于 Multi-Task Logistic Regression（MTLR）模型和深度学习架构作为核心的新方法，用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard（CoxPH）模型，并且可以帮助企业预测客户购买产品、流失或贷款违约的时间，从而提高回报率。

Jan, 2018

使用异构现实世界生存数据开发联邦时间事件评分

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。

Mar, 2024

深度递归生存分析

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