Robust Survival Analysis with Adversarial Regularization

要約

生存分析 (SA) は、関心のあるイベントが発生する時間をモデル化するもので、医学、防衛、金融、航空宇宙などの多くの分野で重要な用途があります。
最近の研究では、ニューラル ネットワーク (NN) を使用して SA 内の複雑な関係をキャプチャする利点が実証されています。
ただし、これらのモデルのトレーニングに使用されるデータセットには不確実性 (ノイズの多い測定値、人的エラーなど) が含まれることが多く、既存の手法のパフォーマンスが大幅に低下する可能性があることが示されています。
この問題に対処するために、この研究では、NN 検証における最近の進歩を活用して、そのような不確実性に対して堅牢なフルパラメトリック生存モデルを生成するための新しいアルゴリズムを提供します。
特に、モデルをトレーニングするために堅牢な損失関数を導入し、CROWN-IBP 正則化を使用して、結果として生じる Min-Max 問題を解決する際の計算上の課題に対処します。
提案されたアプローチを評価するために、SurvSet リポジトリ内の公開されているデータセットに関連する摂動を適用し、生存モデルをいくつかのベースラインと比較します。
私たちは、敵対的正則化による生存分析 (SAWAR) 手法が、負の対数尤度 (NegLL)、統合ブリエ スコア (IBS)、一致指数 (CI) などの指標に基づいて、さまざまな大きさのデータセットの摂動に対して平均して最適なランク付けを行うことを経験的に示し、次のように結論付けています。
敵対的正則化により、SA のパフォーマンスが向上します。
コード: https://github.com/mlpotter/SAWAR

要約(オリジナル)

Survival Analysis (SA) is about modeling the time for an event of interest to occur, which has important applications in many fields, including medicine, defense, finance, and aerospace. Recent work has demonstrated the benefits of using Neural Networks (NNs) to capture complicated relationships in SA. However, the datasets used to train these models are often subject to uncertainty (e.g., noisy measurements, human error), which we show can substantially degrade the performance of existing techniques. To address this issue, this work leverages recent advances in NN verification to provide new algorithms for generating fully parametric survival models that are robust to such uncertainties. In particular, we introduce a robust loss function for training the models and use CROWN-IBP regularization to address the computational challenges with solving the resulting Min-Max problem. To evaluate the proposed approach, we apply relevant perturbations to publicly available datasets in the SurvSet repository and compare survival models against several baselines. We empirically show that Survival Analysis with Adversarial Regularization (SAWAR) method on average ranks best for dataset perturbations of varying magnitudes on metrics such as Negative Log Likelihood (NegLL), Integrated Brier Score (IBS), and Concordance Index (CI), concluding that adversarial regularization enhances performance in SA. Code: https://github.com/mlpotter/SAWAR

arxiv情報

提供元, 利用サービス

arxiv.jp, Google