HitBoost: Survival Analysis via a Multi-Output Gradient Boosting Decision Tree Method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Survival analysis, in many areas such as healthcare and finance, mainly studies the probability of time to the event of interest. Among various methods that build survival predictive models, a class of methods combining with machine learning techniques make assumptions about hazard functions, while another class of methods directly exploit complex neural networks to learn the latent representation of hazard functions. For the traditional survival predictive models, the assumption about hazard functions restricts their performance to some extends. Similarly, the advanced survival predictive models built by complex neural networks also suffer from fairly poor interpretation in real applications. To solve these problems, in this paper, a novel survival analysis method named HitBoost is proposed to predict the probability distribution of the first hitting time (FHT). Instead of making any assumptions about the underlying stochastic process, the proposed HitBoost adopts the multi-output gradient boosting decision tree to implicitly capture the connections between the static covariate and the underlying stochastic process. Furthermore, in the process of tree boosting, the relevant statistics can be utilized to effectively measure the feature importance. The results of evaluations and case studies on benchmarks show that, in comparison to the classical methods, the proposed HitBoost is superior in prediction performance and risk discrimination. Therefore, the HitBoost can be utilized as an effective method to build survival predictive models or to find the important factors for cause-specific failure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle