| 1 |
1
서버에 의해 수행되는, 가중치 기반 통합 방법에 있어서,각 파티별로 데이터를 랜덤하게 2개로 분할한 세트를 m번(여기서 m은 2이상의 자연수) 생성하는 단계;각 파티의 모델 파라메터를 공유하는 단계;각 파티의 분할된 데이터에 전체 파티 모델 파라메터를 바탕으로 손실값을 연산하는 단계; 및손실값의 역수를 기준으로 각 파티의 가중치를 연산하여, 통합 모델을 구축하는 단계;를 포함하는 가중치 기반 통합 방법
|
| 2 |
2
제1 항에 있어서,각 파티별로 로지스틱 모델을 이용하여 파라메터 데이터를 생성하는 단계를 더 포함하는 가중치 기반 통합 방법
|
| 3 |
3
제2 항에 있어서,상기 로지스틱 모델은 에 따르는 것인 가중치 기반 통합 방법
|
| 4 |
4
제1 항에 있어서,상기 각 파티별로 데이터를 랜덤하게 2개로 분할한 세트를 m번(여기서 m은 2이상의 자연수) 생성하는 단계는, ()를 생성하는 단계로, 여기에서, 1 의 자연수이고, 는 k번째 파티를 지칭하는 변수이고, 은 의 크기를 가지는 첫번째 분할 부분이고, 는 의 크기를 가지는 두번째 분할 부분이며, x는 임의의 숫자인 가중치 기반 통합 방법
|
| 5 |
5
제1 항에 있어서, 각 파티의 모델 파라메터를 공유하는 단계는,각 파티별로 분할된 세트에서 추정한 파라메터 벡터값을 서로 다른 분할된 세트로 보내어 공유하는 단계인 가중치 기반 통합 방법
|
| 6 |
6
제5 항에 있어서, 각 파티의 모델 파라메터를 공유하는 단계는,를 이용하여 를 추정하여 ()를 도출하는 단계,를 이용하여 파라메터 벡터 를 추정하여 를 도출하는 단계, 및각 파티별로 도출한 를 서로 공유하는 단계를 포함하고, 여기에서, 1 의 자연수이고, 는 k번째 파티를 지칭하는 변수이고, 는 k번째 파티에 대한, i번째의 모델을 나타내는 파라메터 인 가중치 기반 통합 방법
|
| 7 |
7
제1 항에 있어서, 상기 손실값을 연산하는 단계는,각 파티별로 제1 분할 세트를 기준으로 도출된 모델을 피팅하는 단계,제1 분할 세트를 기준으로 피팅한 모델을 제2 분할 세트로 전달하는 단계, 및제2 분할 세트의 손실값을 각 파티별로 연산하는 단계를 포함하는 가중치 기반 통합 방법
|
| 8 |
8
제7 항에 있어서, 상기 각 파티별로 제1 분할 세트를 기준으로 도출된 모델을 피팅하는 단계는, 파티 별로 피팅된 를 도출하는 단계이고,제1 분할 세트를 기준으로 피팅한 모델을 제2 분할 세트로 전달하는 단계는, 를 i에 대응하는 제2 분할 세트인 로 전달하는 단계이고,제2 분할 세트의 손실값을 각 파티별로 연산하는 단계는 로 표현되는 가중치 기반 통합 방법
|
| 9 |
9
제8 항에 있어서, 손실값 연산 함수는 로지스틱 회귀 함수인 가중치 기반 통합 방법
|
| 10 |
10
제9 항에 있어서, 손실값 연산 함수는 -ln L(p) = 로 표현되고, 여기서 인 가중치 기반 통합 방법
|
| 11 |
11
제1 항에 있어서, 상기 손실값의 역수를 기준으로 각 파티의 가중치를 연산은 를 통해 연산되고, 여기서 는 의 역수로 정의되며, 상기 통합 모델을 구축하는 단계는, 를 통해 연산되는 것인 가중치 기반 통합 방법
|
| 12 |
12
제1 항에 있어서,상기 각 파티별로 데이터를 랜덤하게 2개로 분할한 세트를 m번(여기서 m은 2이상의 자연수) 생성하는 단계는,각 파티별로 이벤트 타임 데이터를 함께 생성하는 단계인 가중치 기반 통합 방법
|
| 13 |
13
제12 항에 있어서,상기 각 파티별로 이벤트 타임 데이터의 생성은 로 표현되고, 는 특정 사이트에서의 이벤트의 개수를 나타내는 가중치 기반 통합 방법
|
| 14 |
14
제12 항에 있어서,각 파티의 모델 파라메터를 공유하는 단계는,각 파티별로 분할된 세트에서 추정한 파라메터 벡터값 및 이벤트 타임 데이터값을 서로 다른 분할된 세트로 보내어 공유하는 단계인 가중치 기반 통합 방법
|
| 15 |
15
제12 항에 있어서,상기 손실값을 연산하는 단계는, 콕스 모델(Cox model)의 손실값 함수를 이용하여 연산하는 것인 가중치 기반 통합 방법
|
| 16 |
16
제12 항에 있어서,상기 손실값의 역수를 기준으로 각 파티의 가중치를 연산하여, 통합 모델을 구축하는 단계 이후에,각 파티의 이벤트 타임 데이터에 대해서 서바이벌 함수를 연산하는 단계를 더 포함하는 가중치 기반 통합 방법
|
| 17 |
17
제16 항에 있어서,상기 서바이벌 함수를 연산하는 단계 이후에 각 파티에 대해서 서바이벌 함수값을 더해서, 중앙 타임 포인트에서의 중앙 서바이벌값을 추정하는 단계를 더 포함하는 가중치 기반 통합 방법
|
| 18 |
18
제17 항에 있어서,에서 각 파티별 를 더해서 중앙 서바이벌값을 추정하는 것인 가중치 기반 통합 방법
|
| 19 |
19
제17 항에 있어서,상기 중앙 서바이벌값을 추정하는 단계는, 이벤트 타임 데이터마다 복수 개의 통합 모델 파라메터를 바탕으로 중앙 서바이벌 값을 추정하고, 추정된 중앙 서바이벌 값의 추정치를 각 타임 포인트에서의 포인트 서바이벌 값을 추정하는 것인 가중치 기반 통합 방법
|
| 20 |
20
컴퓨터인 하드웨어와 결합되어, 제1항 내지 제19항 중 어느 한 항의 방법을 실행하기 위해 매체에 저장된, 가중치 기반 통합 프로그램
|
