光華講壇——社會(huì)名流與企業(yè)家論壇第6645期
主題：Deep Nonparametric Inference for Conditional Hazard Function條件風(fēng)險(xiǎn)函數(shù)的深度非參數(shù)推斷
主講人：香港理工大學(xué) 趙興球教授
主持人：統(tǒng)計(jì)學(xué)院 林華珍教授
時(shí)間：11月10日 15:00-16:00
舉辦地點(diǎn)：柳林校區(qū)弘遠(yuǎn)樓408會(huì)議室
主辦單位：統(tǒng)計(jì)研究中心和統(tǒng)計(jì)學(xué)院 科研處
主講人簡(jiǎn)介：
趙興球，教授，香港理工大學(xué)應(yīng)用數(shù)學(xué)系副系主任及人工智能數(shù)學(xué)基礎(chǔ)研究中心副主任。概率和統(tǒng)計(jì)學(xué)博士學(xué)位（武漢大學(xué)，McMaster大學(xué)）。研究領(lǐng)域包括統(tǒng)計(jì)機(jī)器學(xué)習(xí)，生存分析，高維數(shù)據(jù)分析，半?yún)?shù)和非參數(shù)方法，大偏差和中偏差理論在生存模型中的應(yīng)用。她在The Annals of Statistics，Journal of the American Statistical Association等統(tǒng)計(jì)領(lǐng)域的頂級(jí)期刊上發(fā)表了許多研究論文；獲得了多項(xiàng)香港研究資助局基金和國(guó)家自然科學(xué)基金資助；2014年和合作者獲得教育部高等學(xué)校科學(xué)研究?jī)?yōu)秀成果獎(jiǎng)自然科學(xué)二等獎(jiǎng)。她針對(duì)區(qū)間刪失數(shù)據(jù)所構(gòu)建的廣義對(duì)數(shù)秩檢驗(yàn)被享有盛譽(yù)的SAS軟件系統(tǒng)于2010年收錄；擔(dān)任副編輯的雜志包括：Lifetime Data Analysis (2022-), Statistics and Probability Letters (2021-), Journal of Applied Statistics (2017-)等，還擔(dān)任許多統(tǒng)計(jì)期刊包括統(tǒng)計(jì)4大權(quán)威期刊的審稿人。
內(nèi)容提要：
We propose a novel deep learning approach to nonparametric statistical inference for the conditional hazard function of survival time with right-censored data. We use a deep neural network (DNN) to approximate the logarithm of a conditional hazard function given covariates and obtain a DNN likelihood-based estimator of the conditional hazard function. Such an estimation approach grants model flexibility and hence relaxes structural and functional assumptions on conditional hazard or survival functions. We establish the consistency, convergence rate, and functional asymptotic normality of the proposed estimator. Subsequently, we develop new one-sample tests for goodness-of-fit evaluation and two-sample tests for treatment comparison. Both simulation studies and real application analysis show superior performances of the proposed estimators and tests in comparison with existing methods.
主講人提出了一種新的深度學(xué)習(xí)方法，用于右截尾數(shù)據(jù)下生存時(shí)間條件風(fēng)險(xiǎn)函數(shù)的非參數(shù)統(tǒng)計(jì)推斷。主講人使用深度神經(jīng)網(wǎng)絡(luò)(DNN)來(lái)近似給定協(xié)變量的條件風(fēng)險(xiǎn)函數(shù)的對(duì)數(shù)，并得到一個(gè)基于DNN似然的條件風(fēng)險(xiǎn)函數(shù)估計(jì)量。這種估計(jì)方法賦予模型靈活性，從而放寬了對(duì)條件風(fēng)險(xiǎn)或生存函數(shù)的結(jié)構(gòu)和函數(shù)假設(shè)。我們建立了該估計(jì)量的相合性、收斂速度和函數(shù)漸近正態(tài)性。隨后，主講人開(kāi)發(fā)了新的單樣本檢驗(yàn)用于擬合優(yōu)度評(píng)價(jià)和雙樣本檢驗(yàn)用于治療比較。模擬研究和實(shí)際應(yīng)用分析表明，與現(xiàn)有的估計(jì)方法相比，所提出的估計(jì)方法和測(cè)試方法具有更好的性能。
