- 教授模型生存力：适当评分规则和具有竞争风险的随机优化
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， - MoME：混合多模态专家用于癌症生存预测
利用 Whole Slide Images 和基因组数据进行综合决策的生存分析面临着两个主要挑战：显著的异质性和两种模态之间的复杂相互作用。为解决这些问题，本文提出了一种偏向逐步编码的方法，通过多次迭代逐步减少跨模态差异并促进互补交互；此外 - ICML增加校准的一种通用后处理方法：压缩生存分布
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。
- 基于被截尾事件数据的剩余使用寿命的概率估计
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。
- 生存分析的可解释预测与特征选择
DyS 是一种新的生存分析模型，它在生存分析问题上表现出色，尤其适用于大规模的观察型医疗研究数据集，具备强大的判别能力和可解释性。
- 通过神经网络的近似推理进行贝叶斯生存分析
本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。
- 分析美洲经济趋同：以人均 GDP 轨迹的生存分析方法
整合生存分析、机器学习算法和经济解释，本研究通过比较分析，考察了在 120 个月（2013-2022 年）的时间范围内实现购买力平价调整后 GDP 人均增长 5% 所关联的时序动态。结果发现 DeepSurv 在捕捉非线性交互方面表现良好， - iMD4GC: 不完全的多模式数据融合以提升胃癌精准治疗反应预测和生存分析
提出了一种不完整的多模态数据集成框架用于胃癌研究，以满足临床实践中存在的多模态数据缺失挑战，实现精确的治疗反应预测和生存分析。通过在各模态中使用单模态注意力层以捕捉内部模态信息，并通过交叉模态交互层来探索潜在的模态之间相互作用和捕捉跨模态的 - 使用评分规则训练生存模型
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 - 可解释的机器学习用于生存分析
通过对现有的解释性机器学习方法的综述，我们详细介绍了如何将常用的解释性机器学习方法应用于生存分析，以实现对模型决策或预测的理解。并且通过对加纳儿童 5 岁以下死亡率的实际数据的应用，展示了如何在实践中使用这些技术来促进对模型决策或预测的理解 - 使用异构现实世界生存数据开发联邦时间事件评分
我们提出了一个用于多个医疗数据所有者之间协作构建联邦评分系统的新框架，旨在确保隐私和通信效率，并在应用于新加坡和美国的急诊科的异质生存数据时证明了其更好的性能。
- 利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析
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。
- 在线学习方法用于存活分析
我们引入了一个在线数学框架，用于生存分析，允许对动态环境和被审查数据进行实时适应。通过优化性能高的二次在线凸优化算法 —— 在线牛顿阶段（ONS），我们能够估计事件时间分布。我们分析了 ONS 超参数的选择，该选择依赖于指数凹性质并对遗憾界 - OPSurv：生存分析的正交多项式积分算法
该论文介绍了正交多项式积分算法（OPSurv），它是一种为生存分析中的单一和竞争风险场景提供时间连续性功能输出的新方法。OPSurv 利用累积发生率函数的初始零条件和使用正交多项式对概率密度进行独特分解的方法，通过高斯 - 勒让德积分学习每 - ICML可解释的人工智能在生存分析中的应用：一种中位数 - SHAP 方法
采用机器学习进入常规临床实践需要可解释的人工智能方法，Shapley 值已引起广泛关注，但其解释在很大程度上取决于摘要统计量和估计方法，这进而决定了我们所确定的 “锚点”，我们发现使用平均锚点的传统方法可能对生存分析产生误导性的解释，因此引 - 最优稀疏生存树
解释性对于医生、医院、制药公司和生物技术公司来分析和做出决策具有重要意义，而树状方法作为生存分析中广泛采用的方法之一，具有解释性强和捕捉复杂关系能力的优点，但是现有的大多数方法依赖启发式算法来生成生存树模型，存在产生次优模型的风险，本文提出 - AAAI最佳生存树：一种动态规划方法
基于历史数据，Survival Analysis 和 Survival Trees 使用动态规划提供了具有最优性保证的方法，发现复杂的非线性关系，并在实验中表现出良好的时间和性能。
- TripleSurv: 三元时间自适应坐标损失 用于生存分析
通过引入样本对的生存时间之间的差异来实现自适应调整，基于时间的自适应坐标损失函数 TripleSurv 能够鼓励模型定量地排列出一对的相对风险，从而提高预测的准确性，评估结果显示 TripleSurv 在模拟和真实生存数据上表现优于现有方法 - 鲁邦生存分析的对抗正则化
利用神经网络验证和对抗正则化的新算法，提出了一种稳健的参数生存模型，以解决生存分析中的数据不确定性问题，并通过实验证明对抗正则化可以提高性能。
- AAAI基于深层顺序决策模型的相关截尾数据存活分析并带有可确定性保证
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。