[논문] 우측 검열 생존 데이터에 대한 적절한 점수 규칙
개요
적절한 점수 규칙은 확률 예측의 학습 및 평가를 위한 엄밀한 이론적 기반을 제공합니다. 하지만 오른쪽 검열이 존재하면 사건 시간이 부분적으로만 관측되어 기존의 점수 규칙을 표준 형태로 적용할 수 없습니다. 우리는 간단한 아이디어에 기반한 오른쪽 검열된 생존 결과에 대한 적절한 점수 부여 프레임워크를 제안합니다: 먼저 예측 분포를 검열 메커니즘을 통해 매핑하고, 그 다음 유도된 관측 데이터 법칙에 기본 적절 점수를 적용합니다. 이를 통해 고정된 검열 시간에 대한 국부 점수와 검열 시간이 무작위이거나 부분적으로만 관측될 때의 주변화된 점수를 얻을 수 있습니다. 이러한 구성은 일관된 프레임워크 내에서 익숙한 오른쪽 검열 가능도와 IPCW 유형 기준을 복원함과 동시에, CRPS, 핀볼 손실, 브라이어 점수, 에너지 점수의 오른쪽 검열 버전을 제공합니다. 우리는 주변화된 점수가 조건부 독립 검열 하에서 적절하며 식별 가능한 영역에서는 엄격히 적절함을 보입니다. 같은 원리는 다변량 오른쪽 검열 생존 모델링을 위한 샘플 기반 학습 목표인 검열된 엔그레션(censored engression)으로도 확장됩니다. 실험에서 우리 점수는 여러 검열 체제에서 오라클 예측을 올바르게 순위 매겼으며, 반면 예측에 의존하는 플러그인 가중 점수는 순위 역전 현상을 보일 수 있습니다. 검열된 엔그레션 역시 검열된 결과에 대한 단순 학습보다 크게 향상됩니다.
주요 기여
이 논문은 다음 분야의 연구를 제시합니다:
- cs.LG
방법론
자세한 방법론은 전체 논문을 참고하십시오.
실용적 함의
이 연구는 cs.LG 분야의 발전에 기여합니다.
저자
- Jef Jonkers
- Glenn Van Wallendael
- Luc Duchateau
- Sofie Van Hoecke
논문 정보
- arXiv ID: 2606.06393v1
- Categories: cs.LG
- Published: 2026년 6월 4일
- PDF: PDF 다운로드