Survival Seq2Seq：一种基于序列到序列架构的生存模型
机器学习
2022-04-12 v1
摘要
本文提出一种新颖的非参数深度模型，用于在存在删失数据与竞争风险的情况下估计事件发生时间（生存分析）。该模型基于序列到序列（Seq2Seq）架构设计，因此我们将其命名为 Survival Seq2Seq。我们模型编码器的首层循环神经网络（RNN）由带衰减的门控循环单元（GRU-D）组成。这些单元能够有效填补纵向数据集（如电子健康记录（EHR））中非随机缺失的高缺失率值。Survival Seq2Seq 的解码器为每个竞争风险生成概率密度函数（PDF），且不对风险作任何先验分布假设。借助 RNN 单元，解码器能够生成平滑且基本无尖刺的 PDF，这超越了现有非参数深度生存模型的能力。在合成与医疗数据集上的训练结果表明，Survival Seq2Seq 在预测精度与生成 PDF 质量上均超越其他现有深度生存模型。
引用
@article{arxiv.2204.04542,
title = {Survival Seq2Seq: A Survival Model based on Sequence to Sequence Architecture},
author = {Ebrahim Pourjafari and Navid Ziaei and Mohammad R. Rezaei and Amir Sameizadeh and Mohammad Shafiee and Mohammad Alavinia and Mansour Abolghasemian and Nick Sajadi},
journal= {arXiv preprint arXiv:2204.04542},
year = {2022}
}