Spectral Survival Analysis

要約

サバイバル分析は、ヘルスケア、ビジネス、エコロジーなどを含む多様な分野に広く展開されています。Cox比例ハザード（COXPH）モデルは、文献でよく遭遇する半パラメトリックモデルです。
その人気、幅広い展開、および多数のバリエーションにもかかわらず、特に高次元体制では、大規模なデータセットとディープアーキテクチャへのコックスをスケーリングすることが課題となります。
ランク回帰とCOXPHモデルの間の基本的なつながりを特定します。これにより、ランク回帰のためにいわゆるスペクトル法を適応および拡張することができます。
私たちのアプローチは多用途であり、深いモデルを含むいくつかのCoxphバリアントに自然に一般化されています。
複数の実際の高次元データセットでのメソッドのスケーラビリティを経験的に検証します。
私たちの方法は、レガシー方法W.R.Tを上回る
予測パフォーマンスと効率。

要約(オリジナル)

Survival analysis is widely deployed in a diverse set of fields, including healthcare, business, ecology, etc. The Cox Proportional Hazard (CoxPH) model is a semi-parametric model often encountered in the literature. Despite its popularity, wide deployment, and numerous variants, scaling CoxPH to large datasets and deep architectures poses a challenge, especially in the high-dimensional regime. We identify a fundamental connection between rank regression and the CoxPH model: this allows us to adapt and extend the so-called spectral method for rank regression to survival analysis. Our approach is versatile, naturally generalizing to several CoxPH variants, including deep models. We empirically verify our method’s scalability on multiple real-world high-dimensional datasets; our method outperforms legacy methods w.r.t. predictive performance and efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google