TabSurv: 표본 데이터 생존 분석에 대한 현대적 신경망 아키텍처 적응

요약

TabSurv는 표본 데이터 기반의 생존 분석(survival analysis) 문제를 해결하기 위해 현대적인 신경망 아키텍처를 적응시킨 새로운 방법을 제안합니다. 이 방법은 검열 데이터를 지원하는 히스토그램 손실 함수(SurvHL)를 최적화하며, 특히 앙상블 구성 요소를 병렬로 학습하여 예측 다양성을 극대화한 심층 앙상블을 구현했습니다. 다양한 실제 생존 데이터셋에서 테스트된 결과, TabSurv는 기존의 주요 딥러닝 및 고전 베이스라인 대비 일관되게 우수한 성능을 입증했습니다.

핵심 포인트

• TabSurv는 표본 데이터 기반 생존 분석에 현대적 신경망 아키텍처를 적용한 방법론이다.
• 검열 데이터를 처리하기 위해 새로운 히스토그램 손실 함수(SurvHL)를 사용한다.
• 앙상블 구성 요소를 병렬로 학습하여 예측 다양성을 높이는 심층 앙상블 구조를 채택했다.
• 다양한 실제 생존 데이터셋에서 기존의 주요 베이스라인들보다 평균적으로 우수한 성능을 보였다.