Deep tobit model: an integrated framework for high-dimensional censored regression with variable selection

Dieser Artikel stellt das Deep Tobit-Modell vor, ein tiefgreifendes Lernsystem, das für eine hochdimensionale zensierte Regression mit variabler Auswahl entwickelt wurde. Das Modell nutzt die negative Tobit-Logwahrscheinlichkeit als Verlustfunktion eines tiefen neuronalen Netzwerks (DNN), um die Datenzensur zu berücksichtigen, was es besonders für die Analyse links zensierter Daten wie Vibrationen des Triebwerksgehäuses und HIV-Viruslast geeignet macht. Der zweistufige Merkmalsauswahlalgorithmus (TSFS) wird vorgeschlagen, um den spärlichen Parameter und andere neuronale Netzwerkparameter gemeinsam zu schätzen und so sowohl eine präzise Vorhersage als auch Interpretierbarkeit sicherzustellen. Der Artikel bietet außerdem theoretische Garantien für die Konvergenz und Selektionskonsistenz des TSFS-Algorithmus sowie umfangreiche numerische Studien und Fallstudien, die die überlegene Leistung des Modells im Vergleich zu anderen Benchmarks belegen. Die Fallstudien umfassen die Schwingungsdaten des Triebwerksgehäuses und die HIV-Viruslast-Daten und zeigen die Fähigkeit des Modells, Schlüsselfaktoren zu identifizieren, die Mutationen der Vibrations- und Medikamentenresistenz beeinflussen. Der Artikel schließt mit einer Diskussion über zukünftige Forschungsrichtungen, wie die Erforschung alternativer Regulierungstechniken und die Erweiterung des Modells auf rechtszensierte und intervallzensierte Daten.