CleanSurvival：基于强化学习的时间到事件模型自动数据预处理
机器学习
2026-05-27 v5
摘要
数据预处理在机器学习中常被忽视，尽管其对模型性能具有潜在的显著影响。虽然自动机器学习管道正在开始识别并集成用于分类和回归任务的数据预处理，但在针对受限数据中更专业任务（如生存分析的时间到事件模型）的集成方面仍有不足。因此，生存分析不仅面临一般的数据预处理挑战，还因缺乏针对该领域的定制化、自动化解决方案而受限。为填补这一差距，本文提出了 CleanSurvival，一个专为生存分析设计的基于强化学习的预处理管道优化框架。该框架能够处理连续型和分类型变量。它基于 Learn2Clean 的 Q 学习方法，选择数据插值、异常值检测和特征提取技术的组合，以实现对 Cox模型、随机森林、神经网络或用户自定义时间到事件模型的最优性能。该 Python 软件包已发布在 GitHub 上：https://github.com/datasciapps/CleanSurvival。在真实数据集上的实验基准显示，基于 Q 学习的数据预处理相对于简单基线能够提高预测性能，而运行时行为取决于条件情况，最明显的可解释性体现在最佳覆盖的基准单元中。此外，模拟研究表明该方法在不同缺失性质和噪声水平下均有效。随着机器学习应用的增长，重要的是将 AutoML 管道推广至现在存在的各种模型，包括生存分析。像 CleanSurvival 这样集成生存分析预处理的工具，可以使生存研究更加轻松、快速，且结果更具鲁棒性。
引用
@article{arxiv.2502.03946,
title = {CleanSurvival: Automated data preprocessing for time-to-event models using reinforcement learning},
author = {Yousef Koka and David Selby and Gerrit Großmann and Kathan Pandya and Sebastian Vollmer},
journal= {arXiv preprint arXiv:2502.03946},
year = {2026}
}
备注
Resubmitted after Peer Review Feedback to BMC Medical Informatics and Decision Making