Skip to content
Hot eventLive

截断与删失下生存分析模型的高效学习

1 reports1 sources3 hr ago updated

Get the story

AI overview

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。

Generated from reports · updated 3 hr ago

LatestOct 12
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。

Timeline

Follow the coverage from different angles.

Oct 12, 2026
  1. 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。

Heat trend

There is not enough continuous observation data to draw a trend yet.