结局依赖的截断与删失下生存分析模型的高效学习
Efficient Learning of Survival Analysis Models Under Outcome-Dependent Truncation and Censoring
精选理由
揭示截断与删失如何影响生存分析，并提供更快的训练方法以降低预测偏差、提升模型效率。
AI 摘要
arXiv:2610.12538v1 公告类型：新论文 摘要：现代机器学习模型的训练通常假定训练数据能够代表模型未来将面对的预测任务，但实际数据集往往违背这一假设。我们聚焦于结局依赖的截断，即一条观测是否出现在训练数据中取决于其标签。我们的工作将两个在很大程度上相互独立的研究领域联系起来：截断条件下的高效学习与生存分析。现有的截断生存分析方法并未刻画优化景观，而是依赖期望最大化等迭代过程。我们填补了这一空白，并证明：当基线风险函数已知时，即使存在非凸性，也可以使用一阶优化方法，在截断且右删失的数据上高效学习 Cox 回归。相比之下，当联合学习基线风险函数时，我们构造了可识别且设定正确的模型，其负对数似然包含严格次优局部极小值。在四个生存数据集上的实验表明，考虑截断能够减少朴素 Cox 回归引入的预测偏差，且这一方法可扩展至神经网络。我们还表明，与标准期望最大化方法相比，该方法可实现数个数量级的加速。