SODEN:一种基于常微分方程网络的可扩展连续时间生存模型
机器学习
2021-12-07 v2 机器学习
摘要
在本文中,我们提出一种使用神经网络并结合可扩展优化算法的灵活生存分析模型。直接将最大似然估计(MLE)应用于删失数据的一个关键技术挑战是,评估目标函数及其关于模型参数的梯度需要计算积分。为应对这一挑战,我们认识到删失数据的 MLE 可视为一个微分方程约束优化问题,这是一种新颖的视角。遵循这一联系,我们通过常微分方程对事件时间的分布建模,并利用高效的 ODE 求解器和伴随灵敏度分析来数值评估似然与梯度。使用该方法,我们能够 1) 在无强结构假设下提供广泛的连续时间生存分布族,2) 利用神经网络获得强大的特征表示,以及 3) 允许使用随机梯度下降在大规模应用中对模型进行高效估计。通过模拟研究和真实数据示例,我们证明了所提方法相对于现有最先进深度学习生存分析模型的有效性。所提出的 SODEN 方法的实现已公开于 https://github.com/jiaqima/SODEN。
引用
@article{arxiv.2008.08637,
title = {SODEN: A Scalable Continuous-Time Survival Model through Ordinary Differential Equation Networks},
author = {Weijing Tang and Jiaqi Ma and Qiaozhu Mei and Ji Zhu},
journal= {arXiv preprint arXiv:2008.08637},
year = {2021}
}