基于离散时间 Cox 模型的联邦生存分析
机器学习
2020-07-21 v1 机器学习
摘要
利用联邦学习（FL）从位于不同中心的分散数据集构建机器学习模型，是一种在保护隐私的同时规避本地数据稀缺的有前景的方法。然而，用于生存分析的著名 Cox 比例风险（PH）模型并不适合 FL 框架，因为其损失函数关于样本是不可分离的。绕过这种不可分离性的朴素方法包括按中心计算损失，并将它们的总和作为真实损失的近似来最小化。我们表明，由此得到的模型在某些不利设置下可能遭受严重的性能损失。相反，我们利用 Cox PH 模型的离散时间扩展，将生存分析表述为具有可分离损失函数的分类问题。使用该方法，我们在合成数据以及来自癌症基因组图谱（TCGA）的真实世界数据集上，利用标准 FL 技术训练生存模型，显示出与在聚合数据上训练的 Cox PH 模型相似的性能。与先前工作相比，所提方法通信效率更高、更通用，且更易于使用隐私保护技术。
引用
@article{arxiv.2006.08997,
title = {Federated Survival Analysis with Discrete-Time Cox Models},
author = {Mathieu Andreux and Andre Manoel and Romuald Menuet and Charlie Saillard and Chloé Simpson},
journal= {arXiv preprint arXiv:2006.08997},
year = {2020}
}
备注
21 pages, 6 figures