[논문 리뷰] mlr3proba: Machine Learning Survival Analysis in R.

Raphael Sonabend, Franz J. Király외 3명|arXiv (Cornell University)|2020. 08. 18.

Explainable Artificial Intelligence (XAI)인용 수 2

한 줄 요약

mlr3proba는 mlr3 생태계 내에서 기계학습 생존 분석을 위한 통합적이고 체계적인 R 인터페이스를 제공하며, 일관된 성능 측정 방법과 학습자들을 통해 최신 기술 수준의 모델링, 튜닝 및 벤치마킹을 가능하게 한다. 이는 생존 분석 도구 툴킷에서 중요한 격차를 메우며, 생존 모델링을 표준화되고 확장 가능한 기계학습 워크플로우에 통합한다.

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.

연구 동기 및 목표

• R 기계학습 생태계 내에서 생존 분석을 위한 일관되고 표준화된 인터페이스가 부족한 문제를 해결하기 위해.
• mlr3 프레임워크에 생존 분석을 통합하여 체계적인 모델 튜닝과 벤치마킹을 가능하게 하기 위해.
• 일관된 성능 측정 방법을 사용하여 생존 모델을 평가하고 비교하기 위한 포괄적이고 확장 가능한 인프라를 제공하기 위해.
• 다양한 학습자와 평가 지표를 위한 깔끔하고 체계적인 인터페이스를 제공함으로써 최신 기술 수준의 생존 모델링을 지원하기 위해.

제안 방법

• mlr3 프레임워크를 활용하여 생존 분석을 위한 모듈식이고 확장 가능한 인프라를 구축하기 위해.
• mlr3 생태계 내에서 생존 모델링에 특화된 전용 학습자와 성능 측정 방법을 도입하기 위해.
• 협동 지수와 브리어 스코어와 같은 기존에 널리 사용되는 지표를 활용하여 생존 모델의 평가 절차를 표준화하기 위해.
• mlr3의 기존 최적화 및 평가 파이프라인과의 통합을 통해 모델 튜닝과 벤치마킹을 가능하게 하기 위해.
• 일관된 인터페이스를 통해 다양한 생존 모델을 지원함으로써 재현 가능성과 비교 가능성 향상을 도모하기 위해.

실험 결과

연구 질문

• RQ1 R 내에서 기계학습 프레임워크에 생존 분석을 어떻게 체계적으로 통합할 수 있는가?
• RQ2 생존 모델의 견고한 벤치마킹을 지원하기 위해 필요한 성능 측정 방법과 학습자는 무엇인가?
• RQ3 표준화된 인터페이스는 생존 모델링 워크플로우의 재현 가능성과 비교 가능성 향상에 기여할 수 있는가?
• RQ4 mlr3에 생존 분석이 통합됨으로써 모델 튜닝과 평가가 어떻게 향상되는가?

주요 결과

• mlr3proba는 R 기계학습 생태계 내에서 생존 분석을 위한 포괄적이고 표준화된 인터페이스를 성공적으로 제공한다.
• 표준화된 성능 측정 방법을 사용하여 생존 모델의 일관된 벤치마킹과 튜닝을 가능하게 한다.
• 통합적이고 확장 가능한 인프라를 통해 다양한 생존 학습자를 지원한다.
• mlr3에의 통합을 통해 생존 모델링이 고도화된 모델 최적화 및 평가 워크플로우의 이점을 누릴 수 있게 된다.