• 统计研究中心
当前位置: 首页 > 系列讲座 > 正文

香港理工大学赵兴球教授:Deep Nonparametric Inference for Conditional Hazard Function


主 题Deep Nonparametric Inference for Conditional Hazard Function条件风险函数的深度非参数推断

主讲人香港理工大学赵兴球教授

主持人统计学院林华珍教授

时间:2023年11月10日(周五)下午15:00-16:00

举办地点:柳林校区弘远楼408会议室

主办单位:统计研究中心和统计学院 科研处

主讲人简介:

赵兴球,教授,香港理工大学应用数学系副系主任及人工智能数学基础研究中心副主任。 概率和统计学博士学位(武汉大学,McMaster大学)。研究领域包括统计机器学习,生存分析,高维数据分析,半参数和非参数方法,大偏差和中偏差理论在生存模型中的应用。她在The Annals of Statistics,Journal of the American Statistical Association等统计领域的顶级期刊上发表了许多研究论文;获得了多项香港研究资助局基金和国家自然科学基金资助;2014年和合作者获得教育部高等学校科学研究优秀成果奖自然科学二等奖。她针对区间删失数据所构建的广义对数秩检验被享有盛誉的SAS软件系统于2010年收录;担任副编辑的杂志包括:Lifetime Data Analysis (2022-), Statistics and Probability Letters (2021-), Journal of Applied Statistics (2017-)等,还担任许多统计期刊包括统计4大权威期刊的审稿人。

内容简介

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.

主讲人提出了一种新的深度学习方法,用于右截尾数据下生存时间条件风险函数的非参数统计推断。主讲人使用深度神经网络(DNN)来近似给定协变量的条件风险函数的对数,并得到一个基于DNN似然的条件风险函数估计量。这种估计方法赋予模型灵活性,从而放宽了对条件风险或生存函数的结构和函数假设。我们建立了该估计量的相合性、收敛速度和函数渐近正态性。随后,主讲人开发了新的单样本检验用于拟合优度评价和双样本检验用于治疗比较。模拟研究和实际应用分析表明,与现有的估计方法相比,所提出的估计方法和测试方法具有更好的性能。


上一条:北京师范大学郭旭教授:Test and Measure for Partial Mean Dependence Based on Machine Learning Methods

下一条:香港理工大学黄坚教授:Conditional Stochastic Interpolation for Generative Learning