光華講壇——社會名流與企業家論壇第6645期

主題：Deep Nonparametric Inference for Conditional Hazard Function條件風險函數的深度非參數推斷

主講人：香港理工大學 趙興球教授

主持人：統計學院 林華珍教授

時間：11月10日 15:00-16:00

舉辦地點：柳林校區弘遠樓408會議室

主辦單位：統計研究中心和統計學院 科研處

主講人簡介：

趙興球，教授，香港理工大學應用數學系副系主任及人工智能數學基礎研究中心副主任。概率和統計學博士學位（武漢大學，McMaster大學）。研究領域包括統計機器學習，生存分析，高維數據分析，半參數和非參數方法，大偏差和中偏差理論在生存模型中的應用。她在The Annals of Statistics，Journal of the American Statistical Association等統計領域的頂級期刊上發表了許多研究論文；獲得了多項香港研究資助局基金和國家自然科學基金資助；2014年和合作者獲得教育部高等學校科學研究優秀成果獎自然科學二等獎。她針對區間刪失數據所構建的廣義對數秩檢驗被享有盛譽的SAS軟件系統于2010年收錄；擔任副編輯的雜志包括：Lifetime Data Analysis (2022-), Statistics and Probability Letters (2021-), Journal of Applied Statistics (2017-)等，還擔任許多統計期刊包括統計4大權威期刊的審稿人。

內容提要：

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習方法，用于右截尾數據下生存時間條件風險函數的非參數統計推斷。主講人使用深度神經網絡(DNN)來近似給定協變量的條件風險函數的對數，并得到一個基于DNN似然的條件風險函數估計量。這種估計方法賦予模型靈活性，從而放寬了對條件風險或生存函數的結構和函數假設。我們建立了該估計量的相合性、收斂速度和函數漸近正態性。隨后，主講人開發了新的單樣本檢驗用于擬合優度評價和雙樣本檢驗用于治療比較。模擬研究和實際應用分析表明，與現有的估計方法相比，所提出的估計方法和測試方法具有更好的性能。