研究人员开发了一个新的生存分析框架，旨在提高模型在面对亚群体偏移和数据异常值污染时的鲁棒性。该方法采用双重优化方法，外层最小化步骤用于减轻异常值的影响，内层最大化步骤则专注于最具挑战性的亚群体。该框架能够处理不可分解的生存损失，并保持Cox负偏似然的风险集结构。在模拟和基准数据集上的实验结果表明，即使这些问题同时发生，最差组性能和整体鲁棒性也得到了显著改善。 AI
影响 提高了在数据不完美情况下的机器学习模型在现实世界场景中的可靠性。
排序理由 该集群包含一篇详细介绍生存分析新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Cox negative partial log-likelihood
- Distributionally Robust Survival Models under Subpopulation Shift and Outlier Contamination
- Hugging Face
- Karush–Kuhn–Tucker conditions
- machine learning
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
