Cox生存模型截断学习提速数量级，一阶优化高效搞定！
Efficient Learning of Survival Analysis Models Under Outcome-Dependent Truncation and Censoring
📖 AI 总结
该研究关注生存分析中因结果依赖截断和右删失导致的数据非代表性问题，将高效截断学习与生存分析两个此前相对独立的研究方向联系起来。作者证明，在基线风险已知时，尽管目标函数非凸，Cox回归仍可通过一阶优化方法高效学习；但当基线风险需联合学习时，可构造出负对数似然存在严格次优局部极小值的可识别模型。在四个生存数据集上的实验表明，考虑截断能降低朴素Cox回归带来的预测偏差，且该方法可扩展至神经网络，相比标准期望最大化算法实现数量级加速。
🔑 关键词速览
| Outcome-dependent truncation | 观测是否被纳入训练数据取决于其标签（结果）的截断机制。 |
| Survival analysis | 分析直到事件发生的时间数据的统计方法，常用于医学和工程领域。 |
| Cox regression | 一种半参数生存模型，假设协变量对风险函数有乘性效应，无需指定基线风险形式。 |
| Right-censoring | 事件发生时间未知，但已知其大于某个观测时间，常见于生存数据。 |
| Expectation maximization | 一种迭代算法，用于在存在隐变量时寻找参数的最大似然估计。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅