수치 적분법을 이용한 확장 가능한 비매개변수 연속 시간 생존 모델

유연한 연속 시간 생존 모델링 (continuous-time survival modeling)은 고차원 데이터에서 복잡한 시간 가변적 위험 역학 (time-varying hazard dynamics)을 포착하는 데 매우 중요하지만, 가능도 추정 (likelihood estimation)에 필요한 적분 계산이 다루기 어렵기 때문에 이러한 모델을 학습시키는 것은 여전히 도전적인 과제로 남아 있습니다. 본 논문에서는 시간 이산화 (time discretization)나 제한적인 분포 가정 (distributional assumptions)에 의존하지 않고 비매개변수 (nonparametric) 연속 시간 모델링을 가능하게 하는 확장 가능한 딥러닝 프레임워크인 QSurv를 소개합니다. 우리는 Gauss-Legendre 수치 적분법 (numerical quadrature)에 기반한 학습 목적 함수를 제안하며, 이는 표준 역전파 (backpropagation)를 통한 효율적인 엔드투엔드 (end-to-end) 학습을 용이하게 하는 동시에 높은 차수의 정확도로 누적 위험 (cumulative hazard)을 근사합니다. 또한, 복잡한 아키텍처에서 비정상적 (non-stationary) 위험 역학을 효과적으로 포착하기 위해, 저차원 업데이트 (low-rank updates)를 통해 일반적인 신경망 백본 (neural backbones)을 시간에 따라 조건화하는 메커니즘인 시간 조건부 저차원 적응 (time-conditioned low-rank adaptation)을 도입합니다. 우리는 누적 위험 평가에 대한 근사 오차 경계 (approximation error bounds)를 설정하는 이론적 분석을 제공합니다. 합성 벤치마크, 대규모 실제 정형 데이터셋 (tabular datasets), 그리고 고차원 의료 영상 작업에 걸친 종합적인 실험을 통해 QSurv가 경쟁력 있는 예측 성능을 달성함을 입증하였으며, 순간 위험 함수 (instantaneous hazard function) 추정 측면에서 이점을 가져 시간 가변적 위험 패턴을 더욱 해석 가능하게 특성화할 수 있음을 보여줍니다.