生存混合密度网络
机器学习
2022-08-24 v1 机器学习
摘要
生存分析，即事件时间建模的艺术，在临床治疗决策中起着重要作用。最近，基于神经常微分方程（neural ODE）构建的连续时间模型已被提出用于生存分析。然而，由于神经ODE求解器的高计算复杂度，神经ODE的训练速度较慢。在此，我们提出一种高效的灵活连续时间模型替代方案，称为生存混合密度网络（Survival MDN）。Survival MDN将可逆正函数应用于混合密度网络（MDN）的输出。虽然MDN产生灵活的实数值分布，但可逆正函数将模型映射到时间域，同时保留易处理的密度。使用四个数据集，我们表明Survival MDN在一致性指数（concordance）、综合Brier分数（integrated Brier score）和综合二项对数似然（integrated binomial log-likelihood）上优于或类似于连续与离散时间基线模型。同时，Survival MDN也比基于ODE的模型更快，并规避了离散模型中的分箱问题。
引用
@article{arxiv.2208.10759,
title = {Survival Mixture Density Networks},
author = {Xintian Han and Mark Goldstein and Rajesh Ranganath},
journal= {arXiv preprint arXiv:2208.10759},
year = {2022}
}
备注
Machine Learning for Healthcare 2022