该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法，通过有效利用丰富的健康分子数据和电子健康数据，为现代健康数据科学的应用提供了重要支持，并在基准和真实数据集上得到了显著的性能提高。

Apr, 2018

本文提出了一种区分学习框架，它在区间大小预算约束下，优化预期错误率，以构建归纳批处理中的预测区间。通过专注于预期误差，我们的方法允许条件错误率的变异性，这可以提高整体准确性或者减少平均区间大小。虽然我们考虑的问题是回归型的，但我们使用的损失是组合型的，这使我们能够提供 PAC 样式的有限样本保证。

Oct, 2017

本文提出了一种可以解决普通模型无法处理的区间数据，用于疾病表型聚类分析的深度生成模型，该模型在合成数据和真实世界的临床数据中取得准确，稳定和可解释性强的效果。

Feb, 2021

本研究旨在开发一种患者个体特征存活函数的预测模型，提供更准确的生存概率估计，并演示可将现有的样本预测区间估计方法应用于此类生存曲线分析中，同时还介绍了改进预测区间估计方法和新的预测区间估计方法，表现出竞争性的性能，这些方法不仅能用于生存分析，还可以应用于任何可跟踪目标分布的情景中。

Jun, 2019

通过对 MIMIC-III 数据库中的患者临床事件序列进行分析和测试，我们提出并研究了多种新的事件序列预测模型和方法，旨在更好地调整个体患者和其特定状况的预测。

Aug, 2023

本文提出了一种应用离散时间生存方法进行连续时间生存预测的方法，并探讨了 PMF 和离散时间风险率的参数化两种神经网络插值方法，并通过真实和模拟数据研究表明离散时间风险率参数化方法略胜一筹。同时，也提出了一种基于假设连续时间风险率是分段恒定的连续时间方法，并发现该方法在生存预测方面与其他方法相比非常有竞争力。

Oct, 2019

生存分析提供了关于各个领域中部分不完整的事件发生时间数据的关键洞察。它也是概率机器学习的一个重要示例。我们的提案以一种通用的方式利用了预测的概率特性，使用（适当的）评分规则而不是基于似然的优化来进行模型拟合过程。我们建立了不同的参数和非参数子框架，允许不同程度的灵活性。结合神经网络，它导致了一种计算高效和可扩展的优化程序，产生了最先进的预测性能。最后，我们展示了使用我们的框架，我们能够恢复各种参数模型，并证明在与基于似然方法相比时，优化同样有效。

Mar, 2024

本文提出一种搜索数据点划分的算法，可以自动确定模型阶数，适用于高维数据，可解决信号处理中的多种问题。

Sep, 2003

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