用于早期事件预测的时间标签平滑
机器学习
2023-01-31 v2
摘要
能够以低误报率提前预测事件发生情况的模型，对于医学界对决策支持系统的接受至关重要。这一具有挑战性的任务通常被视为简单的二分类，忽略了样本间的时间依赖性，而我们认为应利用这种结构。我们首先引入一个统一动态生存分析和早期事件预测的共同理论框架。在对两个领域的目标进行分析后，我们提出了时间标签平滑（TLS），一种更简单却性能最佳的方法，可保持预测随时间的单调性。通过将目标聚焦于具有更强预测信号的区域，TLS 在两个大规模基准任务上优于所有基线方法。增益在临床相关指标上尤为显著，例如低误报率下的事件召回率。在早期事件预测中，TLS 将漏报事件数量降至先前方法的二分之一以内。
引用
@article{arxiv.2208.13764,
title = {Temporal Label Smoothing for Early Event Prediction},
author = {Hugo Yèche and Alizée Pace and Gunnar Rätsch and Rita Kuznetsova},
journal= {arXiv preprint arXiv:2208.13764},
year = {2023}
}