SurvivalGAN：为生存分析生成事件发生时间数据
机器学习
2023-02-27 v1
摘要
合成数据正成为一种日益有前景的技术，其成功应用可改善隐私、公平性和数据民主化。虽然有许多生成合成表格数据的方法，但对于特定场景而言该任务仍然非平凡且未被探索。这样一个场景便是生存数据。此处的关键困难是删失：对于某些实例，我们不知道事件发生的时间，甚至不知道是否发生了事件。删失与时间范围的失衡导致生成模型经历三种生存分析特有的新失效模式：（1）生成过少的风险成员；（2）生成过多的风险成员；（3）过早删失。我们形式化了这些失效模式并提供了三个新的生成指标来量化它们。此后，我们提出 SurvivalGAN，一种处理生存数据的生成模型，首先通过解决删失与事件时间范围的失衡，其次通过使用专用机制来近似事件发生时间/删失时间。我们通过医学数据集上的大量实验评估该方法。SurvivalGAN 在生成生存数据方面优于多个基线，特别是根据新指标解决了上述失效模式，此外还提升了在合成数据上训练的生存模型的下游性能。
引用
@article{arxiv.2302.12749,
title = {SurvivalGAN: Generating Time-to-Event Data for Survival Analysis},
author = {Alexander Norcliffe and Bogdan Cebere and Fergus Imrie and Pietro Lio and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2302.12749},
year = {2023}
}