热点事件持续更新
截断与删失下生存分析模型的高效学习
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月12日，arXiv Machine Learning Theory发布论文，研究生存分析模型在结果依赖截断与删失下的高效学习问题。论文证明，当基线风险已知时，Cox回归可在截断与右删失数据下通过一阶优化高效学习，尽管目标函数非凸；但当基线风险与模型联合学习时，负对数似然会存在严格次优局部极小。实验在四个生存数据集上进行，结果显示纳入截断可降低朴素Cox回归的预测偏差，并可扩展到神经网络，相比标准期望最大化实现数量级加速。
AI 根据报道生成 · 2 小时前更新
最新进展10月12日 12:00
论文证明基线风险已知时Cox回归可高效学习，联合学习则存在次优局部极小，实验实现数量级加速。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv · Machine Learning Theory生存分析模型在结果依赖截断与删失下的高效学习
论文证明在基线风险已知时，Cox 回归可在截断与右删失数据下用一阶优化高效学习，尽管目标函数非凸；而基线风险联合学习时，负对数似然会存在严格次优局部极小。在四个生存数据集上，纳入截断可降低朴素 Cox 回归的预测偏差并扩展到神经网络，相比标准期望最大化实现数量级加速。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。