生存分析中的分布鲁棒学习
机器学习
2025-06-10 v2 最优化与控制
机器学习
摘要
我们引入了一种创新方法，将分布鲁棒学习（DRL）方法纳入 Cox 回归，以增强生存预测的鲁棒性和准确性。通过构建一个基于 Wasserstein 距离的模糊集的 DRL 框架，我们开发了一种变体 Cox 模型，该模型对有关底层数据分布的假设不太敏感，并且对模型误设和数据扰动更具弹性。通过利用 Wasserstein 对偶性，我们将原始的极小极大 DRL 问题重新表述为一个易于处理的正则化经验风险最小化问题，该问题可以通过指数锥规划来计算。我们为 DRL-Cox 模型的有限样本行为提供了保证。此外，通过广泛的模拟和真实世界案例研究，我们证明了与传统方法相比，我们的回归模型在预测准确性和鲁棒性方面取得了卓越的性能。
引用
@article{arxiv.2506.01348,
title = {Distributionally Robust Learning in Survival Analysis},
author = {Yeping Jin and Lauren Wise and Ioannis Ch. Paschalidis},
journal= {arXiv preprint arXiv:2506.01348},
year = {2025}
}