Rank Regression 기반 신경망을 통한 시간-사건(AFT) 예측

Neural Time-to-Event Modeling via Rank Regression for AFT

연구 내용

중도절단 시간-사건 자료에서 분포 가정 부담을 줄이면서 신경망으로 AFT를 학습하는 rank regression 연구

시간-사건 분석은 중도절단으로 인해 학습이 복잡해지는 문제가 있습니다. 연구실은 AFT의 해석가능성을 유지하면서도 신경망 기반 표현학습을 결합하기 위해 Gehan’s rank statistic에 기반한 목표함수를 사용합니다. 이를 통해 기준 사건 시간 분포를 별도로 두지 않으면서도, 생존시간 분포에 대한 엄격한 모수 가정을 요구하지 않는 준모수 AFT 학습을 수행합니다. 또한 복잡한 모델 구성이나 추가 하이퍼파라미터 의존성을 낮추는 방향으로 손실 설계와 학습 절차를 구성하여 고처리량 중도절단 데이터에 적용할 수 있게 합니다.

관련 프로젝트

0건

연구 흐름

초기에는 hazard 중심 접근에서 벗어나 AFT 표현학습이 충분히 탐색되지 않았다는 점에 주목하고, 신경망이 시간-사건 예측에서 수행할 역할을 정리했습니다. 이후 Gehan’s rank statistic 기반의 손실을 목표함수로 채택하여 중도절단 환경에서 안정적인 rank regression 학습을 가능하게 했습니다. 다음 단계로 다양한 벤치마크에서 분포 가정 완화와 예측 성능을 함께 점검하여 모델의 실용성을 확인했습니다. 최근에는 구현 관점에서 기준 분포 설정 및 추가 하이퍼파라미터 필요성을 줄여, 고처리량 중도절단 시간예측 파이프라인으로 연결하는 방향으로 확장했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

중도절단 시간-사건 예측 모델링
분포 가정 완화형 AFT 학습
표현학습 기반 AFT 파라미터 추정
고처리량 생존 데이터 분석
기준 사건 분포 설정 불필요한 학습
하이퍼파라미터 민감도 완화
순위통계 손실 기반 신경망 학습
설명가능한 시간 예측 프레임
비복잡 아키텍처 중심 구현
다양한 벤치마크 적용 검증