تدريب انحدار كوكس (Cox) على البيانات المبتورة أسرع من خوارزمية EM بأوامر من الحجم

نشرت مجموعة من الباحثين على arXiv نسخة أولية برقم 2610.12538 عن نماذج البقاء التي تُدرَّب على بيانات رُشِّحت بحسب النتيجة نفسها. وعلى أربع مجموعات بيانات، يقلل أخذ البتر في الحسبان الانحياز في تنبؤات انحدار كوكس المعتاد، بينما يتفوق النهج الجديد في السرعة على الخوارزمية القياسية، خوارزمية التوقع والتعظيم (EM)، بأوامر من الحجم. والنتيجة النظرية الرئيسية: عند معرفة الخطر الأساسي، يمكن تدريب نموذج كوكس بالتحسين العادي من الرتبة الأولى، مع أن دالة الخسارة غير محدبة.

عيّنة تشوّه الصورة

تُدرَّب معظم النماذج على افتراض أن بيانات التدريب تشبه البيانات التي سيواجهها النموذج عمليًا. أما المجموعات الواقعية فكثيرًا ما لا تحقق هذا الشرط. ويتناول المؤلفون حالة خاصة واحدة: تدخل المشاهدة إلى مجموعة البيانات بحسب تصنيفها. وهذا ما يسمى outcome-dependent truncation، أي البتر المعتمد على النتيجة. ومثال ذلك، من باب الافتراض العام: لا يدخل الفوج إلا من عاشوا حتى لحظة انضمامهم إلى الدراسة. أما المسارات القصيرة فتغيب عن البيانات ببساطة.

ويُضاف إلى البتر الحجب من اليمين. فبالنسبة إلى بعض الكائنات لم يقع الحدث حتى نهاية المراقبة، ولا يُعرف سوى أنه سيقع بعد نقطة زمنية معينة. وقد اعتاد تحليل البقاء التعامل مع الحجب منذ زمن طويل. أما الأدبيات المتعلقة بالتدريب الفعّال في ظل البتر فتطورت بمعزل عنه. وتجمع هذه الورقة بين الاتجاهين.

ما الذي أُثبت وأين يكمن الفخ

لم تصف الطرق القائمة للبقاء المبتور هندسة مسألة التحسين. فقد اعتمدت على إجراءات تكرارية مثل EM، وهي تعمل لكنها بطيئة ولا تقدّم ضمانات بشأن مشهد دالة الخسارة. ويسد المؤلفون هذه الفجوة.

النتيجة عند معرفة الخطر الأساسي: يمكن تعلّم انحدار كوكس بكفاءة بالطرق من الرتبة الأولى عندما تكون البيانات مبتورة ومحجوبة من اليمين. ولا تعيق اللاخطية ذلك، رغم أن المسألة غير محدبة.

أما إذا قُدِّر الخطر الأساسي مع بقية المعاملات، فيتغير الوضع. فقد بنى الباحثون نماذج قابلة للتعريف ومحددة المواصفات بصورة صحيحة، لكن اللوغاريتم السالب لأرجحيتها يحتوي على قيم دنيا محلية دون مثلى بصرامة. وسيتوقف الطريقة التدرجية عند نقطة كهذه رغم أن الحل الحقيقي يقع في مكان آخر. والخلاصة العملية: صياغة المسألة صياغة صحيحة لا تضمن وحدها أن يصل المُحسِّن إلى الجواب.

ما الذي أظهرته التجارب

جرى الاختبار على أربع مجموعات بيانات للبقاء. وقارن المؤلفون انحدار Cox الساذج، الذي يتجاهل البتر، بنسخة تأخذه في الحسبان.

• يعطي انحدار Cox الساذج تنبؤات منحازة عندما تكون البيانات مبتورة بحسب النتيجة.
• يقلل أخذ البتر في الحسبان هذا الانحياز في مجموعات البيانات الأربع جميعها.
• ينتقل النهج من النموذج الخطي إلى الشبكات العصبية.
• المعلن مقارنةً بـEM القياسية هو تسارع بأوامر من الحجم.
• أُثبتت ضمانات التقارب عند معرفة الخطر الأساسي؛ أما في حالة التدريب المشترك فعُرضت أمثلة مضادة ذات قيم دنيا محلية.

أين يفيد هذا

لم تخضع النسخة الأولية للمراجعة بعد، كما أن الملخص لا يتضمن أسماء مجموعات البيانات ولا القيم الدقيقة للانحياز. لذلك من الأفضل التحقق من حجم الأثر في النص الكامل وفي الشيفرة المنشورة، إن نُشرت.

والخلاصة للممارسين كالتالي. إذا كانت عيّنتكم تتشكل بشرط مرتبط بالنتيجة، كما في السجلات الطبية وبيانات التأمين وانسحاب العملاء وتقدير العمر الافتراضي للمعدات، فسيخطئ نموذج Cox الساذج بصورة منهجية. وعندما يمكن أخذ شكل الخطر الأساسي من مصادر خارجية، يجدر تثبيته واستخدام التحسين التدرجي المصحوب بضمانات. أما إذا اضطُررتم إلى تعلّم الخطر الأساسي مع النموذج، فينبغي تشغيل التحسين من عدة نقاط بداية ومقارنة النتائج. وبالنسبة إلى الفرق التي كانت EM تمثل لها عنق زجاجة على العينات الكبيرة، فإن التسارع بأوامر من الحجم يعني إمكانية إعادة تدريب النماذج بوتيرة أعلى وتجربة عدد أكبر من البنى.