新模型使用合成数据进行贝叶斯生存分析

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-06 05:00

研究人员推出了一种新颖的摊销贝叶斯生存分析方法——Survival In-Context (SIC)。该方法利用预先拟合的范式，在合成数据上进行预训练，从而实现高效的上下文学习，用于事件发生时间建模。SIC旨在通过在单次前向传播中近似贝叶斯后验预测推断，而无需针对特定任务进行训练，来解决医学应用中的挑战，例如数据有限和复杂的协变量交互。 AI

影响这项研究有望提高医学应用中事件发生时间预测的准确性和效率，尤其是在数据稀缺的情况下。

排序理由该条目是一篇学术论文，详细介绍了一种使用机器学习技术进行生存分析的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 11 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇学术论文，详细介绍了一种使用机器学习技术进行生存分析的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Dmitrii Seletkov, Paul Hager, Georgios Kaissis, Rickmer Braren, Daniel Rueckert, Raphael Rehms · 2026-11-06 05:00

Survival In-Context: 摊销贝叶斯生存分析通过先验拟合网络

arXiv:2603.29475v3 Announce Type: replace Abstract: Survival analysis is crucial for many medical applications, but remains challenging for modern machine learning due to limited data, censoring, and the heterogeneity of tabular covariates. While the prior-fitted paradigm, which …

本文如何被排名

报道来源 [1]

Survival In-Context: 摊销贝叶斯生存分析通过先验拟合网络

相关实体

相关话题