损失函数还是架构？在具有竞争风险的生存分析中，什么更重要

arXiv:2610.23322v1 公告类型：cross 摘要：通常，例如在医疗保健和预测性维护中，关键在于多个相互竞争的原因中哪一个会首先发生，以及其发生概率是多少：这就是具有竞争风险的生存分析。相应的深度学习方法通常以组合形式开发：一种新架构搭配一种新的训练损失，并在一到五个数据集上与少量基线方法进行比较。因此，最先进的结果无法归因于架构、损失函数还是评估协议。这种耦合并非偶然：由于每种原因对应一条发生曲线，网络的输出头会受限于能够在其上表达的损失函数。我们将这两个维度彼此独立地进行变动：在四种骨干网络上测试三种损失函数（其中两种是严格适当的），并覆盖两种能够区分这两个维度的模态：20个表格数据集和3个病理图像数据集。在两种模态上，均有一种损失函数胜出：在删失加权的条件下直接对累积发生率进行建模。在具有竞争风险的数据上，它带来的收益是选择优质骨干网络所带来收益的两倍；而在单事件数据上，其收益不超过骨干网络选择带来的收益：对于竞争风险而言，损失函数起决定性作用。骨干网络同样重要，并且必须与数据模态匹配：表格数据上，表格网络表现更佳；图像上，预训练视觉编码器表现更佳。这两种选择是相互叠加的，而不是相互替代的。适当评分规则揭示了这些动态；而不具备适当性的协调一致性指数（C-index）无法区分模型：两个维度都不会改变它，即使在专为提升该指标而设计的损失函数上进行调优也无济于事。这为进一步提升提供了一个方向：将二者结合起来，可以得到一个此前无人尝试过的模型——使用累积发生率损失训练的RealMLP或TabM；在我们的基准测试中，该模型取得了最佳Brier评分。