Learning Survival Distributions with the Asymmetric Laplace Distribution

要約

確率論的生存分析モデルは、一連の共変量を与えられたイベントの将来の発生（時間）の分布を推定しようとしています。
近年、これらのモデルは、離散化を介して生存分布を直接推定することを避ける非パラメトリック仕様を好む。
具体的には、監視された学習を使用して、固定時間に個別のイベントの確率または固定確率（分位）でイベントの時間を推定します。
分位回帰の文献からのアイデアを借用すると、非対称ラプラス分布（ALD）に基づいたパラメトリック生存分析方法を提案します。
この分布により、平均、中央値、モード、バリエーション、分位などの一般的なイベントの概要を閉じることができます。
このモデルは、ALD分布のパラメーター（位置、スケール、および非対称性）を個々のレベルで学習する可能性によって最適化されています。
合成および実世界のデータに関する広範な結果は、提案された方法が、精度、識別、およびキャリブレーションの観点からパラメトリックおよびノンパラメトリックアプローチを上回ることを示しています。

要約(オリジナル)

Probabilistic survival analysis models seek to estimate the distribution of the future occurrence (time) of an event given a set of covariates. In recent years, these models have preferred nonparametric specifications that avoid directly estimating survival distributions via discretization. Specifically, they estimate the probability of an individual event at fixed times or the time of an event at fixed probabilities (quantiles), using supervised learning. Borrowing ideas from the quantile regression literature, we propose a parametric survival analysis method based on the Asymmetric Laplace Distribution (ALD). This distribution allows for closed-form calculation of popular event summaries such as mean, median, mode, variation, and quantiles. The model is optimized by maximum likelihood to learn, at the individual level, the parameters (location, scale, and asymmetry) of the ALD distribution. Extensive results on synthetic and real-world data demonstrate that the proposed method outperforms parametric and nonparametric approaches in terms of accuracy, discrimination and calibration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google