On Training Survival Models with Scoring Rules

要約

スコアリング ルールは、モデル クラス間で予測パフォーマンスを比較する確立された方法です。
生存分析のコンテキストでは、打ち切りに対応するために適応が必要です。
この研究では、評価ではなくモデルのトレーニングにスコアリング ルールを使用する方法を調査します。
そうすることで、モデルに依存せず、パラメトリックまたはノンパラメトリックにイベント時間分布を学習できる、生存モデルをトレーニングするための一般的なフレームワークを確立します。
さらに、私たちのフレームワークは特定のスコアリング ルールに制限されません。
私たちはニューラル ネットワーク ベースの実装に焦点を当てていますが、勾配ブースティング、一般化された加算モデル、およびツリーを使用した概念実証の実装も提供します。
合成データと現実世界のデータの経験的比較は、スコアリング ルールをモデル トレーニングにうまく組み込むことができ、確立されたイベント発生までの時間モデルで競合する予測パフォーマンスを生み出すことができることを示しています。

要約(オリジナル)

Scoring rules are an established way of comparing predictive performances across model classes. In the context of survival analysis, they require adaptation in order to accommodate censoring. This work investigates using scoring rules for model training rather than evaluation. Doing so, we establish a general framework for training survival models that is model agnostic and can learn event time distributions parametrically or non-parametrically. In addition, our framework is not restricted to any specific scoring rule. While we focus on neural network-based implementations, we also provide proof-of-concept implementations using gradient boosting, generalized additive models, and trees. Empirical comparisons on synthetic and real-world data indicate that scoring rules can be successfully incorporated into model training and yield competitive predictive performance with established time-to-event models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google