PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.16481v2stat.ME

생존 곡선의 효율적이고 확장 가능한 클러스터링

Efficient and scalable clustering of survival curves

생존 분석(survival analysis)은 사건 발생 시간(time-to-event) 데이터를 분석하기 위한 광범위한 방법론들을 포괄하며, 주요 목표 중 하나는 그룹 간 생존 곡선을 비교하는 것이다. 생존 곡선의 군집을 식별하는 전통적인 접근 방식은 귀무가설 분포를 근사하기 위해 계산 집약적인 부트스트랩(bootstrap) 기법에 의존하는 경우가 많다. 이러한 방법들은 효과적이지만 상당한 계산 부담을 초래한다. 본 연구에서는 k-평균(k-means)과 로그 순위 검정(log-rank test)을 활용하여 생존 곡선을 효율적으로 식별하고 클러스터링하는 새로운 접근 방식을 제안한다. 제안된 방법은 계산 비용이 많이 드는 재표본추출(resampling)의 필요성을 제거하여 통계적 신뢰성을 유지하면서도 처리 시간을 크게 단축한다. 생존 곡선을 체계적으로 평가하고 최적의 군집을 결정함으로써, 제안된 방법은 대규모 생존 데이터 분석을 위한 실용적이고 확장 가능한 대안을 제공한다. 시뮬레이션 연구를 통해 본 접근 방식이 계산 효율성을 획기적으로 향상시키는 동시에 기존의 부트스트랩 기반 클러스터링 방법과 대등한 결과를 달성함을 입증한다. 이러한 결과는 로그 순위 기반 클러스터링 절차가 의학 및 역학 연구에서 다중 생존 곡선을 다루는 연구자들에게 실현 가능하고 시간 효율적인 해결책을 제공함을 시사한다.