Variational Deep Survival Machines: Survival Regression with Censored Outcomes

要約

生存回帰は、関心のあるイベント、通常は死亡または障害が発生する時間を予測することを目的としています。
完全にパラメトリックな方法 [18] は、打ち切りの存在下で個々のパラメトリック分布の混合として生存関数を推定するために提案されています。
この論文では、生存データをより適切にクラスタリングし、原始分布を組み合わせることで生存時間を予測する新しい方法を紹介します。
入力共変量をクラスタリングするための潜在変数を生成するために、離散型と連続型の 2 つの変分自動エンコーダー (VAE) のバリアントを提案します。
モデルは、VAE 損失と回帰損失を組み合わせて最適化することでエンドツーエンドでトレーニングされます。
データセット SUPPORT と FLCHAIN に関する徹底的な実験により、私たちの方法がクラスタリング結果を効果的に改善し、以前の方法と競合するスコアに到達できることが示されました。
私たちは、長期的にはモデル予測の優れた結果を実証しました。
私たちのコードは https://github.com/qinzzz/auton-survival-785 で入手できます。

要約(オリジナル)

Survival regression aims to predict the time when an event of interest will take place, typically a death or a failure. A fully parametric method [18] is proposed to estimate the survival function as a mixture of individual parametric distributions in the presence of censoring. In this paper, We present a novel method to predict the survival time by better clustering the survival data and combine primitive distributions. We propose two variants of variational auto-encoder (VAE), discrete and continuous, to generate the latent variables for clustering input covariates. The model is trained end to end by jointly optimizing the VAE loss and regression loss. Thorough experiments on dataset SUPPORT and FLCHAIN show that our method can effectively improve the clustering result and reach competitive scores with previous methods. We demonstrate the superior result of our model prediction in the long-term. Our code is available at https://github.com/qinzzz/auton-survival-785.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google