Boosting Methods for Interval Censored Data with Regression and Classification
Boosting has gained significant interest across machine learning and statistical communities. Traditional boosting algorithms, designed for fully observed random samples, often struggle with real-world problems, particularly with interval censored data. Effective handling of such data is crucial in fields like medical research. In this work, we introduce novel nonparametric boosting methods for regression and classification tasks with interval censored data. Our approaches leverage censoring unbiased transformations to adjust loss functions and impute transformed responses while maintaining model accuracy. Implemented via functional gradient descent, these methods ensure scalability and adaptability. We rigorously establish their theoretical properties. Our proposed methods not only offer a robust framework for enhancing predictive accuracy in domains where interval censored data are common but also complement existing work, expanding the applicability of existing boosting techniques.
Méthodes d'amplification pour les données censurées par intervalles avec régression et classification
L'amplification (« boosting ») suscite un intérêt croissant dans les domaines de l'apprentissage automatique et des statistiques. Les algorithmes d'amplification traditionnels, conçus pour des échantillons aléatoires entièrement observés, ont souvent du mal à traiter les problèmes du monde réel, en particulier les données censurées par intervalle. Le traitement efficace de ces données est crucial dans des domaines tels que la recherche médicale. Dans cet article, nous présentons de nouvelles méthodes d'amplification non paramétriques pour les tâches de régression et de classification avec des données censurées par intervalle. Nos approches exploitent des transformations sans biais de censure pour ajuster les fonctions de perte et imputer les réponses transformées tout en conservant la précision du modèle. Mis en œuvre par la descente de gradient fonctionnelle, ces méthodes garantissent l'évolutivité et l'adaptabilité. Nous établissons rigoureusement leurs propriétés théoriques. Les méthodes que nous proposons offrent non seulement un cadre robuste pour améliorer la précision prédictive dans les domaines où les données censurées par intervalle sont courantes, mais elles parachèvent également les travaux existants, élargissant ainsi l'applicabilité des techniques d'amplification existantes.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais