利用生存分析提出了一种用于预测剩余寿命的概率估计方法，支持对被审查数据进行分析，通过训练多个生存模型，能够在有限时间内预测剩余寿命，实验证明随机生存森林在平均绝对误差方面表现更好，通过提出的方法可更好地进行预测性维护建模和早期故障检测。

May, 2024

本文提出基于符合预测理论的推理方法来对生存时间进行预测，可以确保在独立同分布数据的情况下，无需进行其他假设即可产生模拟的选择下限，同时证明其对于不同类型的截尾仍然有效，通过对合成数据和实际 COVID-19 数据的实证研究表明其效力。

Mar, 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

本文提出了一种基于高频轴承振动信号的 k 均值轴承寿命分段方法，并使用自编码器将其嵌入潜在低维子空间，生成一个用于训练监督模型的带标签数据集，用于预测轴承的降级阶段，实验结果表明该框架具有可扩展性和可靠性。

Mar, 2022

在这项工作中，我们提出了一种灵活的基于深度学习的生存分析方法，同时适应了相关的审查，并消除了关于地面真实模型的要求。我们从广泛的数据集实验证明，与现有方法相比，我们的方法成功地识别了潜在的依赖结构，并显著减少了生存估计偏差。

Dec, 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

提出了 CenTime，一种用于生存分析的新方法，该方法通过创新的事件条件压缩机制直接估计事件发生时间，即使在无未被压缩的数据的情况下，我们的方法依然能够形成事件模型参数的一致估计器。

Sep, 2023

探讨在临床研究中是否可以利用未标记数据的信息来提高预测患者生存时间的准确性，并提出了三种解决方案。结果表明，半监督的方法通常可以获得最好的结果，相比于不使用未标记数据，可以实现高水平的预测性能改进。

Oct, 2022

本文介绍一种新的参数方法来评估具有截尾数据的时间事件预测问题中的相对风险，通过联合学习输入协变量的深度非线性表示，我们展示了我们的方法在多个不同程度的截尾实际世界数据集上估算生存风险的优势，并证明我们的模型在竞争风险情景中的优势。据我们所知，这是在存在截尾时进行全参数生存时间与竞争风险估计的第一项研究。

Mar, 2020

该研究提出了一种深度循环生存分析模型，结合了深度学习和生存分析，通过对每个样本的条件概率建模，捕获时间依赖性，预测真实事件发生的可能性并估计被审查数据的生存率，同时不需要假设任何特定形式的事件概率分布，在三个不同领域的实验中，该模型在各种度量标准下明显优于现有解决方案。

Sep, 2018