A Boosting Method for Survival Data with Right-Censored Responses
Survival data frequently arise in cancer research, biomedical studies, and clinical trials. Over decades, survival analysis has driven numerous modeling strategies and inferential procedures. In this talk, I will introduce a boosting method for prediction, extending its use beyond machine learning to survival data with censored responses. To address right-censoring, we propose adjustments to loss functions without imposing a specific model and develop a valid boosting estimation method. Theoretical properties are established, and numerical studies demonstrate promising finite-sample performance of the proposed method.
Une méthode de boosting pour les données de survie avec des réponses censurées à droite
Les données de survie surviennent fréquemment dans la recherche sur le cancer, les études biomédicales et les essais cliniques. Au cours de plusieurs décennies, l’analyse de survie a conduit à de nombreuses stratégies de modélisation et procédures inférentielles. Dans cette présentation, je vais introduire une méthode de boosting pour la prédiction, étendant son utilisation au-delà de l’apprentissage automatique aux données de survie avec des réponses censurées. Pour traiter la censure à droite, nous proposons des ajustements aux fonctions de perte sans imposer un modèle spécifique, puis développons une méthode d’estimation de boosting valide. Les propriétés théoriques sont établies et des études numériques démontrent des performances prometteuses pour la méthode proposée sur des échantillons finis.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais