X-CAL：面向生存分析的可显式优化校准方法
机器学习
2021-01-15 v1 机器学习
摘要
生存分析对直至感兴趣事件（如出院或入住 ICU）发生的时间分布进行建模。当模型在任何时间间隔内预测的事件数与观测事件数相近时，称为校准良好。生存模型的校准可使用例如分布校准（D-CALIBRATION）[Haider et al., 2020] 来衡量，该方法计算不同时间间隔内观测与预测事件数之间的平方差。传统上，校准是在训练后分析中处理的。我们提出了显式校准（X-CAL），将 D-CALIBRATION 转化为可微分目标，可与最大似然估计及其他目标一起用于生存建模。X-CAL 使实践者能够直接优化校准，并在预测能力与校准之间取得期望的平衡。在我们的实验中，我们在模拟数据、基于 MNIST 的生存数据集、使用 MIMIC-III 数据的住院时长预测数据以及来自 The Cancer Genome Atlas 的脑癌数据上拟合了多种浅层与深层模型。我们表明所研究的模型可能存在误校准。我们在这些数据集上给出实验证据，证明 X-CAL 在不大幅降低一致性（concordance）或似然的情况下改善了 D-CALIBRATION。
引用
@article{arxiv.2101.05346,
title = {X-CAL: Explicit Calibration for Survival Analysis},
author = {Mark Goldstein and Xintian Han and Aahlad Puli and Adler J. Perotte and Rajesh Ranganath},
journal= {arXiv preprint arXiv:2101.05346},
year = {2021}
}