逆加权生存博弈
机器学习
2022-02-01 v2 机器学习
摘要
通过最大似然训练的深层模型已在生存分析中取得最先进结果。尽管采用此训练方案，从业者仍依据其他准则评估模型，例如在一组选定时间 horizon 下的二分类损失，如 Brier 分数（BS）和伯努利对数似然（BLL）。经最大似然训练的模型可能具有较差的 BS 或 BLL，因为最大似然并不直接优化这些准则。直接优化诸如 BS 的准则需要对删失分布进行逆加权。然而，在这些度量下估计删失模型需要对失效分布进行逆加权。每个模型的目标都需要另一个模型，但二者均未知。为解决这一困境，我们引入逆加权生存博弈。在这些博弈中，每个模型的目标由包含另一模型（训练时保持固定）的重新加权估计构建。当损失为恰当损失时，我们证明博弈始终以真实失效与删失分布为驻点。这意味着一旦达到正确分布，博弈中的模型不会偏离。我们构造了一个该驻点唯一的情况。我们展示了这些博弈在模拟上优化 BS，并将这些原理应用于真实世界的癌症与危重患者数据。
引用
@article{arxiv.2111.08175,
title = {Inverse-Weighted Survival Games},
author = {Xintian Han and Mark Goldstein and Aahlad Puli and Thomas Wies and Adler J Perotte and Rajesh Ranganath},
journal= {arXiv preprint arXiv:2111.08175},
year = {2022}
}
备注
Neurips 2021