本文提出一个基于贝叶斯框架、变分推断及神经多任务逻辑回归的生存模型，不但提供更准确的预测，而且能更好地量化生存不确定性。

Mar, 2020

本文介绍了一种基于半监督概率方法的生存数据聚类技术，使用了深度生成模型解决了未知基础变量和被检查的存活时间分布的问题，并在广泛的数据实验中取得了良好的效果和表现。

Jun, 2021

本文提出了一种潜变量方法，用于模拟异质性治疗效果，并演示其在多个大型随机对照试验中发现个体可操作表型的能力。

Feb, 2022

提出了一种混合生存分析方法，结合了区分性和生成性机制，以描述混合模型形式下的生存数据。通过该模型可以实现个体实例的可解释子集聚类、权重学习以及时间预测。

Jan, 2023

该论文介绍了一种参数化的生存模型，通过放宽条件独立性的假设，扩展现代非线性生存分析并在合成和半合成数据中显著提高了生存分布的估计。

Jun, 2023

在医学领域，生存分析是一种基本工具，用于建模人群中出现感兴趣事件的时间。然而，在现实世界的应用中，生存数据通常是不完整、被审查、分布式和保密的，尤其是在关键性的医疗环境中，隐私保护至关重要。本研究提出了一种名为FedSurF++的Federated Survival Forest算法的扩展，这种联邦集成方法在异构联邦中构建随机生存森林。FedSurF++相比于现有方法具有可比较的性能，只需要完成一轮通信，通过从客户端森林采样进行了广泛的实证调查，从算法和隐私保护角度来看，显着提高了效率、鲁棒性和隐私性，同时在两个真实数据集上展示了FedSurF++在医疗领域研究中的成功。我们的结果强调了FedSurF++在分布式环境中提高生存分析的可伸缩性和效果的潜力，同时保护用户隐私。

Aug, 2023

提出了一种消除超参数调优负担的生存分析方法，匹配或优于基线模型在多个真实数据集上的效果。

Nov, 2023

本文介绍了一种利用合规回归方法改进模型校准而不降低判别能力的新方法，通过对11个真实数据集进行验证，展示了该方法在不同场景下的实际适用性和稳健性。

May, 2024

在此论文中，我们进行了首个大规模的中性基准实验，重点关注单事件、右删失、低维度生存数据。我们对18种模型进行了评估，涵盖经典统计方法和常见的机器学习方法，并使用32个公开可用的数据集。通过性能评估，我们发现在低维度、右删失数据的标准生存分析环境中，Cox比例风险模型仍然是足够简单和强大的方法。

Jun, 2024

本研究解决了生存分析中右删失数据和竞争风险模型的局限性。通过设计一种严格的适当删失调整的可分评分规则，该研究实现了对数据子集的优化，从而有效地对竞争风险进行优化。研究结果显示，SurvivalBoost在多个真实数据集上超越了12种最先进的模型，具备优秀的校准能力和较快的计算速度。

Oct, 2024