Deep Clustering Survival Machines with Interpretable Expert Distributions

要約

従来の生存分析方法は、通常、集団の不均一性を特徴付けるのに効果的ではありませんが、そのような情報は予測モデリングを支援するために使用できます。
この研究では、識別メカニズムと生成メカニズムを組み合わせた、ディープ クラスタリング サバイバル マシンと呼ばれるハイブリッド サバイバル分析手法を提案します。
混合モデルと同様に、生存データのタイミング情報は、特定の数のパラメトリック分布、つまりエキスパート分布の混合によって生成的に記述されると想定しています。
各インスタンスの生存情報が、学習された一定のエキスパート分布の重み付けされた組み合わせによって特徴付けられるように、個々のインスタンスのエキスパート分布の重みをそれらの特徴に従って識別的に学習します。
この方法は、関連する専門家の分布に従って、すべてのインスタンスの解釈可能なサブグループ化/クラスタリングも容易にします。
実際のデータセットと合成データセットの両方での広範な実験により、この方法が有望なクラスタリング結果と競争力のあるイベント発生までの時間予測パフォーマンスを得ることができることが実証されています。

要約(オリジナル)

Conventional survival analysis methods are typically ineffective to characterize heterogeneity in the population while such information can be used to assist predictive modeling. In this study, we propose a hybrid survival analysis method, referred to as deep clustering survival machines, that combines the discriminative and generative mechanisms. Similar to the mixture models, we assume that the timing information of survival data is generatively described by a mixture of certain numbers of parametric distributions, i.e., expert distributions. We learn weights of the expert distributions for individual instances according to their features discriminatively such that each instance’s survival information can be characterized by a weighted combination of the learned constant expert distributions. This method also facilitates interpretable subgrouping/clustering of all instances according to their associated expert distributions. Extensive experiments on both real and synthetic datasets have demonstrated that the method is capable of obtaining promising clustering results and competitive time-to-event predicting performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google