基于恰当评分规则与单调神经网络的生存回归
机器学习
2022-02-03 v2 机器学习
摘要
我们考虑了右删失生存回归模型中常用的评分规则，如时间依赖一致性、survival-CRPS、积分 Brier 分数和积分二项对数似然，并证明它们均不是恰当评分规则。这意味着真实生存分布可能比不正确的分布获得更差的分数，从而导致不准确的估计。我们证明，与这些分数相反，右删失对数似然是一个恰当评分规则，即真实分布能达到最高的期望分数。尽管如此，现代基于前馈神经网络的生存回归模型由于右删失对数似然的难处理性，无法直接在其上训练和验证，而求助于上述替代方案，即非恰当评分规则。因此我们提出了一种简单新颖的生存回归方法，能够对时间依赖权重施加单调约束从而直接优化对数似然，称为 SurvivalMonotonic-net (SuMo-net)。SuMo-net 在多个数据集上取得了最先进的对数似然分数，在推理上比现有最先进的神经方法快 20--100，并且可轻松应用于包含数百万观测的数据集。
引用
@article{arxiv.2103.14755,
title = {Survival Regression with Proper Scoring Rules and Monotonic Neural Networks},
author = {David Rindt and Robert Hu and David Steinsaltz and Dino Sejdinovic},
journal= {arXiv preprint arXiv:2103.14755},
year = {2022}
}