survival analysis
PulseAugur coverage of survival analysis — every cluster mentioning survival analysis across labs, papers, and developer communities, ranked by signal.
- 2026-06-03 research_milestone A new decision-focused approach for survival analysis was introduced, optimizing for NDCG to improve outcomes in allocation tasks. 来源
1 天有情绪数据
-
表格基础模型通过分类适应生存分析
研究人员开发了一个新颖的基于分类的框架，使表格基础模型（TFMs）能够执行生存分析。该方法将事件发生时间结果重新构建为一系列二元分类问题，通过将删失观测值视为特定时间点的缺失标签来有效处理右删失。该方法直接建模累积失效概率，比累积每箱误差的传统方法更具鲁棒性。在48个真实世界数据集上的评估表明，使用此公式的现成TFMs在多个生存指标上的平均表现优于现有的经典和深度学习基线。
-
新框架结合隐半马尔可夫模型和生存分析，模拟地铁使用生命周期
研究人员开发了一个整合了隐半马尔可夫模型（HSMM）和生存分析的新框架，用于研究长期的地铁使用模式。该方法应用于2021-2024年的上海地铁数据，识别出五个不同的出行状态，并分析了用户退出和重新进入的动态。研究结果表明，虽然退出系统与状态相关但与持续时间无关，但重新进入的风险随着不活跃时间的延长而显著降低。
-
新的生存分析方法提高了器官分配效率
研究人员开发了一种新的面向决策的学习方法用于生存分析，旨在更好地将预测模型与其下游分配任务对齐。该方法优化了归一化折损累积增益（NDCG），而不是传统的C指数等指标，这可能在高风险场景（如器官分配）中导致次优结果。通过将此框架应用于历史心脏移植数据，该方法显著提高了NDCG得分，有可能每年带来可观的生命年收益。
-
表格基础模型在时间序列预测方面展现出潜力
研究人员正在探索将表格基础模型（TFMs）应用于复杂的时间序列预测任务，特别是在预后与健康管理（PHM）和生存分析领域。这些模型通过上下文学习或特定预训练等方法适配时间序列数据，有望高效处理碎片化和审查数据。初步结果表明，TFMs 在低数据量场景下，其表现可能优于传统的序列模型甚至专门的生存分析技术。
-
生存分析评估指标在新立场论文中受到批评
一篇新发表在arXiv上的立场论文批评了生存分析中普遍使用的C指数指标，认为它常常与实际建模目标不符，并且由于隐式审查假设可能具有误导性。作者提出了一个“双螺旋梯”框架，以确保评估指标与建模假设保持一致，并强调适当的评估对于准确的模型比较至关重要。该论文为研究人员提供了关于如何选择和应用生存分析中适当评估指标的实用指南。
-
新的估计器改进了变化点检测评估
研究人员开发了用于评估最快变化点检测（QCD）方法的新非参数估计器KM-ARL和KM-ADD。这些估计器借鉴了生存分析的类比，解决了传统ARL和ADD指标在处理有限和不规则序列长度时的局限性。研究表明，所提出的方法在渐近上是无偏的，并且在模型选择方面具有实际用途，同时提供了配套的Python代码以供实现。