A Support Vector Machine Based Cure Rate Model For Interval Censored Data
混合治愈率模型是文献中最常用的治愈率模型。在混合固化率模型的背景下，对协变量对固化或未固化概率的影响进行建模的标准方法是使用逻辑函数。这很容易暗示，对固化和未固化的对象进行分类的边界是线性的。在本文中，我们提出了一个新的混合治愈率模型的基础上，区间删失数据，使用支持向量机（SVM）模型的影响，协变量对未治愈或治愈的概率（即，在模型的发生率部分上）。我们提出的模型继承了SVM的特点，并提供了灵活性，以捕捉分类边界是非线性和更复杂的。此外，当协变量维数较高时，新模型可以用来模拟协变量对关联部分的影响。延迟部分由比例风险结构建模。我们开发了一个估计过程的基础上的期望最大化（EM）算法来估计治愈/未治愈的概率和延迟模型参数。我们的模拟研究结果表明，该模型表现出更好的捕捉复杂的分类边界相比，现有的逻辑斯谛回归为基础的混合治愈率模型。我们还表明，我们的模型捕捉复杂的分类边界的能力，提高了相应的延迟参数的估计结果。为了说明的目的，我们提出了我们的分析，通过应用所提出的方法对戒烟的区间删失数据。
2022-08-22 stat.CO stat.ME
Semiparametric inference for the scale-mixture of normal partial linear regression model with censored data
在删失数据建模的框架下，假设随机误差为正态分布的经典线性回归模型近年来受到越来越多的关注，主要是为了数学和计算上的方便。然而，实际研究中经常批评这种线性回归模型，由于其偏离正态性和部分非线性的敏感性。本文提出了解决这些潜在的问题，同时在部分线性回归模型的背景下，假设随机误差遵循一个规模混合正态（SMN）分布族。所提出的方法使我们能够以极大的灵活性对数据进行建模，适应重尾和离群值。通过实现B样条函数，并使用方便的分层表示的SMN分布，计算分析EM型算法进行极大似然推断的模型参数。各种模拟研究进行了调查的有限样本性质以及在处理重尾分布数据集的模型的鲁棒性。最后通过实际数据实例分析说明了该方法的有效性。
2020-11-15 math.ST stat.CO stat.ME
Single-index Semiparametric Transformation Cure Models with Interval-censored Data
School of Economics, Jinan University（暨南大学经济学院）；International Center for Interdisciplinary Statistics, School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院交叉统计国际中心）
本文提出了一种灵活的单索引半参数变换治愈模型，用于处理区间删失数据，涵盖比例危险治愈和比例 odds 治愈模型，并通过模拟验证其有效性。
2026-01-18 stat.ME
Maximum Approximate Likelihood Estimation in Accelerated Failure Time Model for Interval-Censored Data
应用混合β分布的伯恩斯坦多项式模型，得到了包含当前状态数据的区间删失数据加速失效时间模型中回归系数、基线密度和生存函数的最大似然估计.在一定的条件下，给出了区间删失和未删失数据下估计的收敛速率。仿真结果表明，该方法优于同类方法。所提出的方法说明了使用加速失效时间模型拟合乳房美容数据。
2019-11-16 math.ST stat.TH
Likelihood-Based Inference for Semi-Parametric Transformation Cure Models with Interval Censored Data
本文研究了 BCTM 模型在区间删失数据下的统计特性，通过 EM 算法同时估计所有参数，并用模拟和戒烟研究数据验证了方法的稳健性与准确性。
2023-10-24 stat.CO stat.ME
Combining regional estimation and historical floods: a multivariate semi-parametric peaks-over-threshold model with censored data
极端洪水分位数的估计是具有挑战性的，因为与典型的目标重现期相比，极端数据相对稀缺。多年来，为应对这一挑战，开发了几种方法，包括区域估计和使用历史洪水数据。本文研究了这两种方法的组合使用多变量峰值阈值模型，允许估计共在每个站点的站点间的依赖结构和边缘分布。利用半参数Dirichlet混合模型构造了多个站点极值的联合分布。部分缺失和删失观测值（历史数据）的存在在数据扩充方案中进行解释。该模型适用于一个案例研究，涉及四个集水区在法国南部，自1604年以来的历史数据。从四个版本的模型（有或没有区域化的形状参数;使用或忽略历史洪水）的边际估计值的比较突出了显着差异的回报水平估计。此外，附近几个集水区的历史数据的可用性允许调查极端洪水的渐近相关性。流域显示了大量的渐近依赖，需要适应多元统计模型。
2014-11-28 stat.AP stat.ME
spBayesSurv: Fitting Bayesian Spatial Survival Models Using R
空间生存分析在过去的20年里受到了极大的关注，由于地理信息可以在预测生存方面发挥重要作用。本文介绍了一组程序，用于使用软件包spBayesSurv在R中实现一些贝叶斯空间生存模型。函数survregbayes包括三个最常用的半参数模型：比例风险、比例几率和加速失效时间。同时适应所有方式的删失生存时间，包括未删失、区间删失、当前状态、左删失和右删失以及这些的混合。左截断的数据也被容纳。在分段常数假设下，允许时间相关协变量。地理参考和区域观察的空间位置都是通过弱点处理的。模型拟合与条件Cox-Snell残差图进行评估，并通过对数伪边缘似然，偏差信息准则和渡边赤池信息准则进行模型选择。具有协变量依赖基线的加速失效时间脆弱性模型包含在函数frailtyGAFT中。此外，该软件包还提供了两个边际生存模型：比例风险和线性依赖Dirichlet过程混合，其中空间依赖性通过空间Copula建模。请注意，该包还可以使用上述模型的非空间版本来处理非空间数据。
2018-04-24 stat.AP stat.CO
Individualized Treatment Effects with Censored Data via Fully Nonparametric Bayesian Accelerated Failure Time Models
个体通常对相同的治疗有不同的反应，并且表征治疗反应中的这种可变性是个性化医疗实践中的重要目标。在这篇文章中，我们描述了一个非参数加速失效时间模型，可用于分析异质性处理效应（HTE）时，病人的结果是时间到事件。通过利用贝叶斯加性回归树和均值约束Dirichlet过程混合模型，我们的方法提供了一个灵活的模型的回归函数，同时把一些限制的基线风险。我们的非参数方法导致个人处理效应的自然估计，并具有灵活性，以解决许多主要目标的HTE评估。此外，我们的方法需要很少的用户输入的调谐参数选择或子群规范。我们说明了我们提出的方法的优点，详细分析了两个大型临床试验的预防和治疗充血性心力衰竭，使用血管紧张素转换酶抑制剂。分析显示，两项试验中存在大量HTE的证据，如治疗效果的实质性估计变化和高比例患者表现出与总体处理效应不同的处理效应的强有力证据所证明。
2017-06-20 stat.AP stat.ME
A proportional hazards model for interval-censored data subject to instantaneous failures
比例风险（PH）模型可以说是用于分析临床试验和纵向研究等产生的事件发生时间数据的最流行模型之一。在许多这样的研究中，感兴趣的事件时间不是直接观察到的，而是相对于周期性检查时间已知的;即，从业者观察当前状态或区间删失数据。这种结构的数据分析往往充满了许多困难。进一步加剧了这个问题，在一些这样的研究中，观察到的数据也包括瞬时故障;即，几个研究单元的事件时间与研究开始的时间完全一致。鉴于这些困难，这项工作的重点是开发一个混合模型，PH假设下，它可以用来分析区间删失数据的瞬时故障。为了允许建模的灵活性，提出了两种方法来估计未知的累积基线风险函数，被认为是一个完全参数化和单调样条表示。通过引入潜在泊松随机变量的数据增广过程，提出了一种期望最大化（EM）算法来完成模型拟合。所得到的期望最大化算法易于实现并且计算效率高。此外，通过广泛的模拟研究所提出的方法被证明是提供可靠的估计和推理。
2018-04-03 stat.ME
A Naive Bayes machine learning approach to risk prediction using censored, time-to-event data
预测个体经历未来临床结果的风险是一项统计任务，对执业临床医生和公共卫生专家都具有重要意义。电子健康记录（EHR）等现代观察性数据库为传统上用于构建风险模型的纵向队列研究提供了一种替代方案，带来了机遇和挑战。大样本量和详细的协变量历史使得能够使用复杂的机器学习技术来揭示复杂的关联和相互作用，但观察数据库通常是"混乱的“，具有高水平的缺失数据和不完整的患者随访。在本文中，我们提出了一个适应著名的朴素贝叶斯（NB）的机器学习方法进行分类的时间到事件的结果进行审查。我们比较了我们的方法的预测性能的考克斯比例风险模型，这是常用的风险预测在医疗保健人群，并说明其应用于预测心血管疾病的风险使用EHR数据集从一个大型中西部综合医疗保健系统。
2014-04-08 stat.ML
A Semiparametric Bayesian Method for Instrumental Variable Analysis with Partly Interval-Censored Time-to-Event Outcome
University of California Los Angeles（加利福尼亚大学洛杉矶分校）
针对部分区间删失生存数据，本文提出基于两阶段 Dirichlet 过程混合工具变量（DPMIV）模型的半参数贝叶斯方法，放宽正态误差假设以估计内生变量的因果效应，模拟和 UK Biobank 数据验证了其稳健性与优越性。
2025-01-23 cs.LG stat.AP stat.CO
Finite mixture modeling of censored and missing data using the multivariate skew-normal distribution
有限混合模型已被广泛应用于非均匀总体数据的建模和分析。此外，由于实验设备的限制，这类数据可能会丢失或受到一些检测上限和/或下限的影响。另一个复杂的情况出现时，每个人口的措施偏离显着的常态，例如，不对称的行为。对于这样的数据结构，我们提出了一个强大的模型，删失和/或缺失数据的基础上有限的混合多元偏态正态分布。这种方法使我们能够以极大的灵活性对数据进行建模，同时适应多模态和偏态，这取决于混合成分的结构。我们开发了一个分析简单，但有效的EM型算法进行参数的极大似然估计。该算法在E步具有闭合形式的表达式，其依赖于截断的多元偏态正态分布的均值和方差的公式。此外，还提出了一种基于信息的估计量渐近协方差阵的一般逼近方法。模拟和真实数据集的分析结果表明，所提出的方法的有效性。所提出的算法和方法在新的R包CensMFM中实现。
2020-09-22 stat.ME
Evidential-EM Algorithm Applied to Progressively Censored Observations
Northwestern Polytechnical University（西北工业大学）；IRISA（IRISA研究所）；University of Rennes 1（雷恩第一大学）
证据EM（E2M）算法是计算有限混合模型下极大似然估计的一种有效方法，特别是当数据具有不确定性信息时。在本文中，我们提出了一个E2M方法在一个特殊的情况下的不完全数据，其中的信息损失是由于混合模型和截尾观测。先验不确定性信息用置信函数表示，而伪似然函数是基于不精确观测和先验知识推导的。然后引入E2M方法，使广义似然函数最大化，得到参数的最优估计。数值算例表明，该方法能有效地将不确定的先验信息与观测数据所传递的当前不精确知识相结合.
2015-01-07 cs.AI stat.ME
Handling Missingness and Censoring in Dirichlet Mixture Models
本文提出一种保留单纯形结构的狄利克雷混合模型似然方法，通过EM类算法同时完成参数估计与插补，经仿真及捕虏体、PM₂.₅真实数据验证，可有效处理成分数据的缺失与删失问题。
2026-07-31 stat.CO stat.ME
A unified framework for fitting Bayesian semiparametric models to arbitrarily censored survival data, including spatially-referenced data
一个全面的，统一的方法来建模任意删失的空间生存数据的三个最常用的半参数模型：比例风险，比例优势，加速失效时间。与许多其他方法不同，所有方式的删失生存时间同时容纳，包括未删失，区间删失，当前状态，左和右删失，以及这些的混合。左截断的数据也容纳导致模型的时间依赖性协变量。地理参考（位置精确观察）和区域观察（位置已知的地理单位，如县）的空间位置进行处理;正式的变量选择使得模型选择特别容易。用条件Cox-Snell残差图评估模型拟合，并通过LPML和DIC进行模型选择。基线生存率采用新的变换Bernstein多项式先验建模。所有模型都通过一个新的函数来拟合，该函数调用R包spBayesSurv中的高效编译C++。该方法广泛说明了模拟和实际数据的应用。一个重要的发现是，比例几率和加速失效时间模型往往比常用的比例风险模型拟合得更好。补充材料可在网上查阅。
2017-07-03 stat.AP stat.ME
Bayesian Nonparametric Model for Weighted Data Using Mixture of Burr XII Distributions
狄利克雷过程混合模型（DPMM）是一种流行的贝叶斯非参数模型。在本文中，我们将此模型应用于加权数据，然后使用梅特罗波利斯-黑斯廷斯算法从相应的加权分布估计未加权分布。然后，我们应用DPMM与不同的内核模拟和真实的数据集。特别是，我们在删失数据的存在下使用寿命数据，然后计算估计的密度和生存值。
2018-12-11 stat.CO stat.ME
Robust Bayesian Inference for Censored Survival Models
本文针对删失生存数据提出稳健贝叶斯加速失效时间模型，通过广义伽马分布尺度混合引入超厚尾混合密度，理论证明完全后验稳健性，开发高效MCMC算法，经数值实验和真实数据验证性能。
2025-04-15 stat.ME
Mixtures of Experts Models
混合专家模型提供了一个框架，其中协变量可以包括在混合模型中。这是通过将混合模型的参数建模为伴随协变量的函数来实现的。鉴于其混合模型的基础，专家模型的混合物具有各种各样的分析用途，从聚类观察到捕获横截面数据中的参数异质性。本章重点描述了混合专家模型的框架，并展示了混合专家模型作为分析工具的实用性和灵活性。
2018-06-21 stat.ME
Semiparametric Sieve Maximum Likelihood Estimation Under Cure Model with Partly Interval Censored and Left Truncated Data for Application to Spontaneous Abortion Data
这项工作的动机是观察性研究妊娠与自然流产（SAB）的结果。显然，有些妇女经历了SAB事件，但其余的没有。此外，由于这些研究招募孕妇的方式，数据被截断。对于那些经历过SAB的女性来说，她们的确切事件时间有时是未知的。最后，一小部分妇女在怀孕期间失去了后续行动。所有这些都会产生左截断、部分区间和右删失的数据，并且具有明确定义的固化部分。我们考虑非混合Cox回归治愈率模型，并采用半参数样条筛选极大似然方法来分析此类数据。利用现代经验过程理论证明了参数和非参数部分的筛估计是一致的，并建立了这两部分的渐近正态性。进行仿真研究，以建立有限样本的性能。最后，我们将我们的方法应用于自然流产的观察性研究数据库。
2017-08-22 stat.ME
Expert Kaplan--Meier estimation
考虑了受污染的右删失随机样本的设定问题。在各个领域，专家信息往往是可用的，并用于克服污染。本文以两种不同的方式将专家知识整合到乘积限估计中，并给出了不同的解释。强一致的一致性证明了这两种情况下的污染和质量的专家信息，这揭示了从业人员可能采取的技术和决策的某些假设。的技术的细微差别进行了讨论-也着眼于半参数估计-他们使用模拟和现实世界的保险数据进行说明。
2023-03-27 stat.ME
Recovering Sparse and Interpretable Subgroups with Heterogeneous Treatment Effects with Censored Time-to-Event Outcomes
Carnegie Mellon（卡内基梅隆大学）
涉及随机化实验以及观察性数据的研究通常涉及至事件结局的时间，例如至失败、死亡或不良状况发生的时间。由于失访，这些结局通常会被删失，并且既定的统计实践涉及比较治疗组和对照组之间的风险比方面的治疗疗效。在本文中，我们提出了一种统计方法来恢复稀疏表型（或亚型），表现出差异处理效应相比，研究人群。我们的方法包括将数据建模为混合物，同时通过结构化稀疏正则化来执行参数收缩。我们提出了一种新的推理程序所提出的模型，并证明其在恢复稀疏表型在心血管健康的大型标志性现实世界的临床研究的有效性。
2023-02-24 cs.LG stat.ME stat.ML
Approximation results regarding the multiple-output mixture of linear experts model
混合专家（MoE）模型是一类可用于函数逼近和概率建模的人工神经网络。一类重要的MoE模型是混合线性专家模型（MoLE），其中专家函数映射到实拓扑输出空间。当输出空间是单变量时，关于MoLE模型有许多强大的近似结果。这些结果保证了MoLE平均函数逼近任意连续函数的能力，以及MoLE模型本身逼近任意条件概率密度函数的能力。我们利用和扩展的单变量近似结果，以证明一对有用的结果的情况下，输出空间是多元的。
2019-05-28 stat.ME
Robust Bayesian model selection for heavy-tailed linear regression using finite mixtures
在本文中，我们提出了一种新的方法来执行重尾分布的线性模型的贝叶斯模型选择。我们考虑一个有限的混合分布模型的潜在变量，其中每个组成部分的混合物对应于一个可能的模型内的对称类的正态独立分布。当然，高斯模型是其中一种可能性。这允许基于每个模型的后验概率进行同时分析。推理是通过马尔可夫链蒙特卡罗-吉布斯抽样与大都会黑斯廷斯步骤的一类参数。模拟的例子突出了这种方法的优势相比，隔离分析的基础上任意选择的模型选择标准。给出了真实数据的示例，并介绍和讨论了对截尾线性回归的扩展。
2017-08-18 stat.ME
Semiparametric robust mixture of experts based on nonparametric maximum likelihood
Pukyong National University（釜庆国立大学）；University of Connecticut（康涅狄格大学）；Sungkyunkwan University（成均馆大学）
该研究针对现有MoE模型对误差分布参数假设敏感的问题，提出基于非参数极大似然的半参数鲁棒MoE模型，可提升复杂误差下的鲁棒性且在高斯设定下仍具竞争力。
2026-08-06 stat.ME
Mixed Effects Mixture of Experts: Modeling Double Heterogeneous Trajectories
School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院）
本文提出混合效应专家混合模型（MEMoE），通过结合专家混合模型的分而治之范式与经典混合效应建模，有效建模双重异质轨迹，提升纵向数据分析的准确性与灵活性。
2026-03-08 stat.ME
Prediction Sets for High-Dimensional Mixture of Experts Models
大型数据集使构建预测模型成为可能，这些模型可以捕获响应变量和特征之间的异质关系。高维线性专家混合模型假定观测值来自高维线性回归模型的混合，其中混合权重本身是依赖于特征的。在本文中，我们展示了如何构建有效的预测集的$\ell_1$惩罚混合专家模型在高维设置。我们利用一个去偏置过程来解释由惩罚引起的偏差，并提出了一种新的策略，用于组合区间以形成混合设置中具有覆盖保证的预测集。综合算例和对超导材料临界温度的预测表明，该方法具有可靠的实用性能。
2022-10-30 math.ST stat.ME stat.ML
Incorporating Expert Knowledge into Bayesian Causal Discovery of Mixtures of Directed Acyclic Graphs
Aalto University（艾罗大学）；University of Melbourne（墨尔本大学）；Manchester University（曼彻斯特大学）；Ellis Institute（埃利斯研究所）
本文提出基于贝叶斯实验设计原则和变分混合结构学习方法，用于处理异质领域的因果发现问题，通过专家反馈构建信息图先验，提升异质合成数据的结构学习性能，并在乳腺癌数据库中捕捉复杂分布。
2026-04-29 cs.LG stat.ME
A similarity-based Bayesian mixture-of-experts model
KTH Royal Institute of Technology（瑞典皇家理工学院）；RaySearch Laboratories（瑞镭实验室）；Silo AI（Silo AI（西洛人工智能公司））
我们提出了一个新的非参数混合专家模型的多元回归问题，启发的概率k-近邻算法。使用条件指定的模型，对样本外输入的预测基于与每个观察到的数据点的相似性，产生由高斯混合表示的预测分布。后验推理的混合物成分的参数，以及使用平均场变分贝叶斯算法伴随着随机梯度为基础的优化过程的距离度量。所提出的方法是特别有利的设置，其中输入是相对较高的维度相比，数据的大小，其中输入-输出关系是复杂的，并且其中预测分布可能是偏斜的或多模态的。对五个数据集的计算研究，其中两个是综合生成的，说明了我们的混合专家方法对高维输入的明显优势，在验证指标和目视检查方面都优于竞争对手的模型。
2022-08-03 cs.LG stat.ME stat.ML
Mixture of partially linear experts
针对专家混合模型忽略变量非线性关系的局限，提出含未指定函数的部分线性结构模型，确立其可识别性并引入估计算法，通过模拟与真实数据分析验证了方法性能。
2024-05-05 stat.ME stat.ML
Robust mixture of experts modeling using the skew $t$ distribution
Université de Caen-Normandie（卡昂-诺曼底大学）；Normandie Université（诺曼底大学）；CNRS（法国国家科学研究中心）
混合专家（MoE）是统计学和机器学习领域中的流行框架，用于对数据中的异质性进行建模，以进行回归、分类和聚类。连续数据的MoE通常基于正态分布。然而，众所周知，对于具有非对称行为、重尾和非典型观测的数据，使用正态分布是不合适的。我们引入了一个新的鲁棒的非正态混合专家建模使用的斜$t$分布。建议的专家的偏斜$t$混合，命名为STMoE，处理这些问题的正常混合专家可能偏斜，重尾和噪声数据。我们开发了一个专用的期望条件最大化（ECM）算法，通过单调最大化观测数据的对数似然估计模型参数。我们描述了如何提出的模型可以用于预测和基于模型的聚类回归数据。对模拟数据进行的数值实验表明，该模型在拟合非线性回归函数以及基于模型的聚类方面具有良好的有效性和鲁棒性。然后，将该模型应用于真实世界的音调感知数据进行音乐数据分析，并将其应用于温度异常数据进行气候变化数据分析。所得结果证实了该模型的实用性，为实际数据分析应用。
2016-12-09 cs.LG stat.ME stat.ML
Convergence Rates for Mixture-of-Experts
在专家混合模型（ME）中，许多子模型（专家）被组合在一起，有两个长期存在的问题：（i）给定训练数据的大小，应该选择多少专家？(ii)考虑到参数的总数，是使用几个非常复杂的专家更好，还是结合许多简单的专家更好？在本文中，我们试图提供一些见解，这些问题通过一个ME结构的理论研究，其中$m$专家是混合的，与每个专家相关的多项式回归模型的顺序$k$。我们研究了当样本量$n$增加时，极大似然估计（MLE）的收敛速度，即估计密度的Kullback-Leibler发散收敛到真密度的速度.收敛速度被发现是依赖于$m$和$k$，和$m$和$k$的某些选择被发现产生最佳的收敛速度。因此，这些结果阐明了上述两个重要问题：如何选择$m$，以及$m$和$k$应如何折衷，以实现良好的收敛速度。
2011-11-01 math.ST stat.ME stat.ML
