MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016932472
■00520240214100502
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380855570
■035    ▼a(MiAaPQ)AAI30493101
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aNagpal,  Chirag.
■24510▼aLeveraging  Heterogeneity  in  Time-to-Event  Predictions▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCarnegie  Mellon  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(167  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Dubrawski,  Artur.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aTime-to-Event  Regression,  often  referred  to  as  Survival  Analysis  or  Censored  Regression  involves  learning  of  statistical  estimators  of  the  survival  distribution  of  an  individual  given  their  covariates.  As  opposed  to  standard  regression,  survival  analysis  is  challenging  as  it  involves  accounting  for  outcomes  censored  due  to  loss  of  follow  up.  This  circumstance  is  common  in,  e.g.,  bio-statistics,  predictive  maintenance,  and  econometrics.  With  the  recent  advances  in  machine  learning  methodology,  especially  deep  learning,  it  is  now  possible  to  exploit  expressive  representations  to  help  model  survival  outcomes.  My  thesis  contributes  to  this  new  body  of  work  by  demonstrating  that  problems  in  survival  analysis  often  manifest  inherent  heterogeneity  that  can  be  effectively  discovered,  characterized,  and  modeled  to  learn  better  estimators  of  survival.Heterogeneity  may  arise  in  a  multitude  of  settings  in  the  context  of  survival  analysis.  Some  examples  include  heterogeneity  in  the  form  of  input  features  or  covariates  (for  instance,  static  vs.  streaming,  time-varying  data),  or  multiple  outcomes  of  simultaneous  interest  (more  commonly  referred  to  as  competing  risks).  Other  sources  of  heterogeneity  involve  latent  subgroups  that  manifest  different  base  survival  rates  or  diverse  responses  to  an  intervention  or  treatment.In  this  thesis,  I  aim  to  demonstrate  that  carefully  modelling  the  inherent  structure  of  heterogeneity  can  boost  predictive  power  of  survival  analysis  models  while  improving  their  specificity  and  precision  of  estimated  survival  at  an  individual  level.  An  overarching  methodological  framework  of  this  thesis  is  the  application  of  graphical  models  to  impose  inherent  structure  in  time-to-event  problems  that  explicitly  model  heterogeneity,  while  employing  advances  in  deep  learning  to  learn  powerful  representations  of  data.  Furthermore,  through  innovative  probabilistic  and  numerical  optimization  techniques  we  explore  how  the  learnt  estimators  can  be  made  actionable  tools  for  decision  support.  By  enforcing  constraints  that  improve  model  interpretability,  we  explore  opportunities  for  enhancing  the  utility  of  such  models,  a  requirement  that  is  paramount  in  critical  scenarios  such  as  healthcare.
■590    ▼aSchool  code:  0041.
■650  4▼aComputer  science.
■650  4▼aBiostatistics.
■650  4▼aStatistics.
■650  4▼aBioinformatics.
■653    ▼aDeep  learning
■653    ▼aGraphical  models
■653    ▼aSurvival  analysis
■653    ▼aTime-to-event
■653    ▼aTreatment  effects
■690    ▼a0984
■690    ▼a0308
■690    ▼a0463
■690    ▼a0715
■71020▼aCarnegie  Mellon  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932472▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books