[論文レビュー] mlr3proba: Machine Learning Survival Analysis in R.

Raphael Sonabend, Franz J. Király+3 more|arXiv (Cornell University)|Aug 18, 2020

Explainable Artificial Intelligence (XAI)被引用数 2

ひとこと要約

mlr3proba は、mlr3 エコシステム内において機械学習生存分析のための統一的で体系的な R インターフェースを導入し、一貫した性能指標と学習者を用いて、最先端のモデリング、チューニング、ベンチマーキングを可能にする。これは、生存分析のツールキットにおける重要な空白を埋め、生存モデリングを標準的かつ拡張可能な機械学習ワークフローに統合する。

ABSTRACT

As machine learning has become increasingly popular over the last few decades, so too has the number of machine learning interfaces for implementing these models. However, no consistent interface for evaluation and modelling of survival analysis has emerged despite its vital importance in many fields, including medicine, economics, and engineering. exttt{mlr3proba} is part of the exttt{mlr3} ecosystem of machine learning packages for R and facilitates exttt{mlr3}'s general model tuning and benchmarking by providing a multitude of performance measures and learners for survival analysis with a clean and systematic infrastructure for their evaluation. exttt{mlr3proba} provides a comprehensive machine learning interface for survival analysis, which allows survival modelling to finally be up to the state-of-art.

研究の動機と目的

• R の機械学習エコシステム内における生存分析のための一貫性があり標準化されたインターフェースの欠如に対処すること。
• 生存分析を mlr3 フレームワークに統合し、体系的なモデルチューニングとベンチマーキングを可能にすること。
• 標準化された性能指標を用いて生存モデルの評価と比較を包括的かつ拡張可能に可能にするインfrastrucureを提供すること。
• 多様な学習者と評価指標を一貫した体系的なインターフェースとして提供することで、最先端の生存モデリングを支援すること。

提案手法

• mlr3 フレームワークを活用して、生存分析のためのモジュラーで拡張可能なインfrastrucureを構築する。
• mlr3 エコシステム内での生存モデリングに特化した専用の学習者と性能指標を導入する。
• コントラダインス・インデックスやブライアースコアなどの確立された指標を用いて、生存モデルの評価手順を標準化する。
• mlr3 の既存の最適化および評価パイプラインとの統合により、モデルチューニングとベンチマーキングを可能にする。
• 一貫したインターフェースを通じて、幅広い生存モデルをサポートし、再現性と比較可能性を促進する。

実験結果

リサーチクエスチョン

• RQ1 R における統一された機械学習フレームワークに生存分析を体系的に統合するにはどうすればよいか？
• RQ2 生存モデルの堅牢なベンチマーキングを支えるために必要な性能指標と学習者は何か？
• RQ3 標準化されたインターフェースは、生存モデリングワークフローの再現性と比較可能性を向上させることができるか？
• RQ4 mlr3 への生存分析の統合は、モデルチューニングと評価をどのように向上させるか？

主な発見

• mlr3proba は、R の機械学習エコシステム内における生存分析の包括的で標準化されたインターフェースを成功裏に提供した。
• フレームワークは、標準化された性能指標を用いて一貫した生存モデルのベンチマーキングとチューニングを可能にした。
• 統一的で拡張可能なインfrastrucureを通じて、幅広い生存学習者をサポートした。
• mlr3 への統合により、生存モデリングが高度なモデル最適化および評価ワークフローの恩恵を受けることができた。