Censor Dependent Variational Inference

要約

このペーパーでは、生存方法を適用することに関連する特徴的な課題を強調し、生存分析のための潜在変数モデルにおける変動推論の包括的な分析を提供します。
既存の方法論の重大な弱点を特定し、設計されていない変分分布が生存分析タスクの目的、つまりイベント分布のモデリングの目的をどのように妨げるかを示します。
対数尤度を完全に境界する最適な変動分布は、検閲メカニズムに依存する可能性があることを証明します。
この問題に対処するために、生存分析で潜在的な可変モデルに合わせて調整された検閲依存性変動推論（CDVI）を提案します。
より実際には、CDVIのスケーラブルな実装のために設計されたV-Structure Variation Autoencoder（VAE）であるCD-CVAEを紹介します。
さらなる議論では、いくつかの既存の理論とトレーニング技術を生存分析に拡張します。
広範な実験は、分析を検証し、個々の生存分布の推定における大幅な改善を示します。

要約(オリジナル)

This paper provides a comprehensive analysis of variational inference in latent variable models for survival analysis, emphasizing the distinctive challenges associated with applying variational methods to survival data. We identify a critical weakness in the existing methodology, demonstrating how a poorly designed variational distribution may hinder the objective of survival analysis tasks–modeling time-to-event distributions. We prove that the optimal variational distribution, which perfectly bounds the log-likelihood, may depend on the censoring mechanism. To address this issue, we propose censor-dependent variational inference (CDVI), tailored for latent variable models in survival analysis. More practically, we introduce CD-CVAE, a V-structure Variational Autoencoder (VAE) designed for the scalable implementation of CDVI. Further discussion extends some existing theories and training techniques to survival analysis. Extensive experiments validate our analysis and demonstrate significant improvements in the estimation of individual survival distributions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google