该研究提供了使用 COBRA 集成和 Integrated Brier Score 来预测条件生存函数的两种新实现方法。利用基于回归的弱学习器，我们创建了一种基于归一化集成 Brier 分数作为权重的新型预测器，同时考虑了右侧截尾数据，通过在现实数据分析中对算法进行了说明。

Oct, 2022

通过组合回归策略，我们预测条件生存函数。我们将弱学习者作为不同的随机生存树，提出在右截尾集合中最大化协同性的方法来找到最优参数。我们通过协同指数探索了两种方法，一种是普通的生存眼镜蛇，另一种是基于协同指数的新型加权预测器。我们提出的公式使用两种不同的规范，即 Max-norm 和 Frobenius norm，以在测试数据集中的查询点中找到预测的接近集。我们通过三个不同的实际数据集实现来说明我们的算法。

Sep, 2022

该研究论文介绍了基于不同变化的组合回归策略的多变量时间序列预测的创新方法。我们使用特定的数据预处理技术，对预测行为产生了重大变化。通过两种类型的超参数调优方法，贝叶斯优化（BO）和常规网格搜索，我们比较了模型的性能。我们提出的方法在八个时间序列数据集上（加密货币、股票指数和短期负荷预测）优于所有最先进的比较模型。

Apr, 2024

应用半参数核 Cox 比例风险模型和带有 LASSO 惩罚项的正则化 garrotized 核机器方法，通过基因表达来预测癌症患者的生存率，以帮助分类患者并提供更好的临床治疗方案。

Oct, 2023

应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

Mar, 2024

提出了一种基于混合 Cox 回归模型的新方法，其中硬指派混合组来进行优化，每个组分配使用深度神经网络拟合组内的风险率，并针对每个混合成分进行非参数基线风险拟合。在多个真实数据集上进行了实验，并研究了不同种族和性别的患者的死亡率。结果表明，该方法在医疗保健领域的判别性能和校准性方面都优于经典和现代生存分析，对于少数民族人群的性能优势更为明显。

Jan, 2021

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

当数据存在右侧截断情况时，生存分析可以计算 “事件发生时间”。多类别的结果导致了一种分类变种：预测最可能的事件，即已知的竞争风险，这方面的研究较少。为了构建一个估计这种情况下的结果概率的损失函数，我们引入了一个严格正确的修正分离的评分规则，这个规则可以在部分数据上进行优化，因为评估是独立于观测的。它可以用于训练梯度提升树来进行竞争风险分析。与 11 种现有模型相比，这个模型 “MultiIncidence” 在生存和竞争风险的结果概率估计上表现最佳。它可以在任何时间点进行预测，并且比现有的替代方法快得多。

Jun, 2024

通过将 Survival Analysis 模型的完整表达分解为聚合基线风险和独立分布的生存得分，改善了该模型的训练和推断方法，实现了对右删失观测的动态处理，并在各种真实世界数据集中取得了与其他最先进方法相媲美的性能，无需进行微调或超参数优化。

Dec, 2023

本文介绍一种使用最大选择秩统计量的随机森林方法来分析生存数据，该方法可以避免变量选择偏倚并检测非线性影响，相对于传统方法和条件推断森林法可以提高生存预测性能且计算速度更快。

May, 2016