Algorithms for Large-scale Learning from Heterogeneous Survival Data

Pölsterl, Sebastian Walter

User: Guest

Sebastian Walter Pölsterl

If you experience problems opening the document, please try this link.

Original title:: Algorithms for Large-scale Learning from Heterogeneous Survival Data
Translated title:: Methoden des maschinellen Lernens zur Analyse von Überlebenszeiten basierend auf heterogenen Daten
Author:: Pölsterl, Sebastian Walter
Year:: 2016
Document type:: Dissertation
Faculty/School:: Fakultät für Informatik
Advisor:: Navab, Nassir (Prof. Dr.)
Referee:: Navab, Nassir (Prof. Dr.); Hothorn, Torsten (Prof. Dr.)
Language:: en
Subject group:: DAT Datenverarbeitung, Informatik; MED Medizin
Keywords:: survival analysis, machine learning, support vector machine, convex optimization, dimensionality reduction
Translated keywords:: Maschinelles Lernen, Analyse von Überlebenszeiten, Support Vector Machine, Convexe Optimierung, Dimensionsreduktion
TUM classification:: MED 230d; DAT 760d
Abstract:: This thesis develops machine learning methods for predicting the time to an adverse event based on heterogeneous and high-dimensional health records. I introduce a training algorithm for the survival support vector machine that avoids the high time and space complexity of previous algorithms. Second, a comparative analysis of 19 dimensionality reduction methods for survival analysis is presented. Finally, I describe heterogeneous ensembles in the context of the Prostate Cancer DREAM challenge.
Translated abstract:: In dieser Arbeit werden Methoden des maschinellen Lernens zur Analyse von Überlebenszeiten vorgestellt. Ich beschreibe einen verbesserten Algorithmus zum Trainieren einer Survival Support Vector Machine. Zweitens wird ein Vergleich von 19 Methoden zur Dimensionsreduktion und der Analyse von Überlebenszeiten durchgeführt. Schließlich beschreibe ich Heterogeneous Ensembles in meinem Beitrag zur Prostate Cancer DREAM Challenge.
WWW:: https://mediatum.ub.tum.de/?id=1289752
Date of submission:: 19.01.2016
Oral examination:: 24.05.2016
File size:: 4422516 bytes
Pages:: 251
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20160524-1289752-1-0
Last change:: 01.06.2017
BibTeX