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

本篇论文研究了四种主要的适用于生存分析中的严格得分规则推广，并且证明了这些扩展在离散化条件下是适当的，并通过真实数据集比较了这些扩展得分规则的估计性能，发现对数分值和布赖尔分值的扩展效果最好。

May, 2023

本文利用受限单调神经网络对具有竞争风险的生存分布进行建模，确保了在减少计算成本的同时实现了精确的最大似然估计，并在一项合成和三个医学数据集上展示了解决方案的有效性。最后，我们讨论了在开发医疗实践风险评分时考虑竞争风险的意义。

May, 2023

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

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

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

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

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

本研究解决了生存分析中现有模型对风险函数形状假设的局限性，提出了一种基于个体完全参数化风险贡献加权和的新范式FPBoost。该模型首次通过梯度提升直接优化生存似然，经过多样数据集评估，结果表明FPBoost在风险评估方面显著优于现有的先进模型。

Sep, 2024

本论文针对预测事件发生时间这一重要问题，填补了现代生存分析模型与神经网络结合的研究空白。通过引入经典生存模型与深度学习的新方法，作者展示了如何高效地预测个体数据的时间-事件结果。此外，本研究探讨了公平性、因果推理及可解释性等重要主题，具有广泛的应用潜力。

Oct, 2024