(1) AFT모형을 이용한 복잡 중도절단 자료 분석 본 연구는 콕스모형에 대한 대안으로 AFT선형모형을 통한 복잡 구간 중도절단 자료의 분석 방법을 다 룬다. 구간 중도절단 하에서 반응시간은 온전히 관측되지 않으며 어떤 구간에 놓이게 되는데 모수 추정 을 위해 윌콕슨 순위합검정 아이디어에 기반하여 로그순위 추정방법을 제안한다. 나아가 AFT모형에 대 한 일반화 추정방법을 이용하면 일반화 로그순위 추정식으로 확장할 수 있다. 구간 중도절단에 대한 기 존의 접근법들은 매우 복잡한 비모수 함수추정 알고리즘을 필요로 하나 제안된 방법은 직접적으로 회귀 계수에대한추정치를찾을수있어계산상효율성이매우높다. (2) 패널 계수 자료에 대한 준모수적 일반화 로그순위 추정법 본 연구에서는 연구주제 (1)의 연구결과를 패널 계수 자료에 대한 순위 기반 방법론으로 확장한다. 이러 한 접근법은 case-1 구간자료(current status data), 이중 중도절단(double-censoring), 부분 중도절단(partly interval-censoring), 이중구간 중도절단(double interval-censoring) 등 보다 복잡한 형태의 중도절단의 분석 에 활용할 수 있으며, 유도평활법, 랜덤효과 모형을 이용한 통합모형화 등 다양한 후속 문제에 대한 연구 로연결될수있다. (3) 복잡 중도절단 자료에 대한 국소가중 분위수회귀 분석 본 연구에서는 분위수회귀를 이용한 복잡 중도절단 분석을 연구한다. 분위수회귀는 회귀계수 및 오차항 이 누적발생함수에 대한 분위수에 의존하는 조건부 모형으로 분위수의 변화에 따라 설명변수의 효과가 어떻게 달라지는지 체계적으로 평가할 수 있다. 분위수회귀의 추정은 비모수 함수를 포함하는 불연속 추정식을 다루므로 이론적 정당화가 어렵다. 따라서 본 연구에서는 알고리즘 개발 및 기존 방법과의 비 교 연구, 경험확률과정을 통한 점근적 성질 규명 등에 대해 연구한다. (4) 고차원, 대용량 구간 중도절단 자료에 대한 BAR 변수선택법 본 연구에서는 Buckley-James 추정과 BAR를 결합하여 복잡 중도절단을 가지는 고차원 생존 자료에 대 한 새로운 변수선택법을 개발하고 이에 대한 이론을 연구한다. BAR 추정은 기존의 LASSO, SCAD와 달 리 L0 형태의 최적 부분집합 탐색을 가능하게 하며 대용량의 생존 데이터에서도 매우 효율적으로 작동 한다. (5)준모수적생존SEIR모형구축및코로나19데이터실증분석 본 연구에서는 코로나19와 같은 전염성 질병 데이터에서 감염성 접촉 구간(infectious contact interval)을 모형화하기 위한 준모수적 선형 SEIR 회귀를 연구한다. 현재까지의 코로나19 분석은 확진자 수에 대한 단순 계수 자료를 중심으로 전염 강도를 추정하였으나 생존 SEIR 모형은 시간의 변화에 따른 질병 확산 의동태적특성을보다면밀하게파악할수있다는장점을갖는다.본과제는생존SEIR모형구축,이에 대한이론연구및실증분석을포함한다.

본 연구는 비표준적 복잡 중도절단 형태를 가지는 생존 데이터의 분석을 위한 새로운 통합적 통계모형 및 효율적 알고리즘을 개발하고 이에 대한 추론적 성질을 규명하고자 하는 통계이론 및 실증연구이다. 특히 이중 중도절단(double-censoring) 혹은 구간 중도절단(interval-censoring)과 같이 보다 복잡한 형태의 중도절단을 가지는 자료에 대...

본 연구의 목적은 준모수적 AFT모형 및 분위수회귀모형을 중심으로 여러 형태의 비표준적 구간 중도절단 생존 데이터를 분석하기 위한 통합적 통계방법론을 개발하고 이에 대한 이론적 성질을 규명하는 것이다. 나아가 이러한 연구결과를 확장하여 코로나19와 같은 전염병 확산 분석을 위한 확률적 생존 SEIR 모형을 구축하고 실제 자료 분석에 적용하고자 한다. 구체적...

(1) 맞춤형 기계학습을 위한 이항분류 및 차원축소 방법론 본 연구에서는 맞춤형 학습을 위한 이항분류를 위해 수신자 조작특성(ROC) 곡선의 활용을 제안하고 이에 대한 이론적인 토대를 마련하고자 한다. 맞춤형 학습에서 분류집단의 상대적 중요도 및 모형의 성능을 평가하기 위해 서포트벡터머신(SVM)을 활용, ROC곡선의 아래 면적인 AUC를 최적화하기 위한 이항분류 학습론 및 효율적 알고리즘을 개발한다. 또한 효율적인 특성추출을 위한 비모수적 모형무관(model-free) 차원축소 방법에 대해서도 연구한다. 이를 위해 (i) 데이터의 상관구조를 반영한 위계적 변수선택, (ii) 초고차원 자료의 변수선별 및 (iii) 일반화 주기계에 기반한 맞춤형 차원축약 방법에 대해 연구를 진행할 것이다. (2) 고차원 대용량 범주형 빅데이터 모형의 분석 및 평가 방법론 연구 고차원 데이터를 범주화할 경우 차원의 급격한 증가로 인해 기존의 학습모형의 성능이 저하된다. 이를 위해 K-근방분석 또는 군집분석 등 거리 기반 학습모형에서 범주형 예측변수에 대해 적절한 거리를 정의하고 연속형 예측변수와의 효율적 결합 방법을 통해 예측력과 해석력을 높이는 알고리즘을 연구할 것이다. 나아가 기계학습 모형의 최적화를 위한 효율적 조절모수의 선택법에 대해서도 연구한다. 특히 범주형 및 연속형 예측변수가 혼재하는 혼합형 빅데이터에 대한 커널 및 조절 모수의 선택, 모형의 평가에 대한 연구를 진행하여 모형의 신뢰성 및 알고리즘의 효율성을 도모한다. (3) 빅데이터 기반 개인맞춤형 정밀의료 수립을 위한 통계적 방법론 연구 본 연구에서는 빅데이터 분석과 효율적 통계학습 모형에 기반한 개인 맞춤형 정밀의료에 대한 통계적 방법론을 연구한다. 맞춤의료 구현을 위한 통계적 과제는 결국 개인 의사결정의 최적화 문제로 귀결되며, 유전체, 진료 및 보험 기록 등의 모든 정보를 포함하는 빅데이터의 효율적 분석이 필요하다. 이를 위해 (i) 개인맞춤형 치료방법(ITR) 및 (ii) 동적 치료체제(DTR) 구현을 위한 통계적 방법론을 연구하고 강화학습 기반 의사결정 알고리즘 개발에 집중한다. 한편, 가계 질병 정보를 활용한 개인별 암발생 위험률 예측을 위해 베이즈 멘델 모형을 연구할 것이며 국민건강보험 맞춤형 DB 분석을 통한 실증 연구도 진행할 것이다.