深层核Aalen-Johansen估计器：面向竞争风险的可解释且灵活的神经网络框架
机器学习
2025-12-10 v1
摘要
我们提出一种可解释的深度竞争风险模型，称为深层核Aalen-Johansen(DKAJ)估计器，其是经典Aalen-Johansen非参数累积发病率(CIF)估计的推广。每个数据点（例如患者）都表示为簇的加权组合。如果数据点的权重仅为单个簇的非零值，则其预测的CIF对应于仅来自该簇的数据点的经典Aalen-Johansen估计器的CIF。这些权重来自自动学习的核函数，用于衡量任意两个数据点之间的相似性。在四个标准竞争风险数据集上，我们展示DKAJ在与最先进基线方法的竞争中，能够提供可视化以辅助模型解释。
引用
@article{arxiv.2512.08063,
title = {Deep Kernel Aalen-Johansen Estimator: An Interpretable and Flexible Neural Net Framework for Competing Risks},
author = {Xiaobin Shen and George H. Chen},
journal= {arXiv preprint arXiv:2512.08063},
year = {2025}
}
备注
Machine Learning for Health (ML4H) 2025 Spotlight