基于时间一致性的深度端到端生存分析
机器学习
2024-10-10 v1
摘要
本研究提出一种新颖的生存分析算法，用于高效处理大规模纵向数据。我们的方法灵感来自强化学习原则，特别是 Deep Q-Network 范式，将 Temporal Learning 概念扩展到生存回归。我们方法的核心思想是时间一致性，即数据中过去与未来结果随时间平滑演变的假设。我们的框架通过提供稳定的训练信号来捕获长期时间关系并确保可靠更新，将时间一致性唯一地整合到大数据集中。此外，该方法支持任意复杂的架构，使我们能够建模复杂的时间依赖关系，并实现端到端训练。通过大量实验，我们提供了实证证据，表明我们的框架在大小各异的数据集中能够利用时间一致性。此外，我们的算法在长序列数据集上超越基准，显示其捕获长期模式的能力。最后，消融研究表明我们的方法提升了训练稳定性。
引用
@article{arxiv.2410.06786,
title = {Deep End-to-End Survival Analysis with Temporal Consistency},
author = {Mariana Vargas Vieyra and Pascal Frossard},
journal= {arXiv preprint arXiv:2410.06786},
year = {2024}
}