基于符号非线性对数风险函数的 Cox 比例风险模型扩展——面向生存分析
机器学习
2025-04-28 v2 机器学习
摘要
Cox 比例风险 (CPH) 模型在生存分析中广泛应用，用于在给定多个协变量的情况下估计不同主体之间的相对风险。传统 CPH 模型依赖于协变量的线性组合，权重为系数，作为对数风险函数，这施加了强大的且限制性的假设，限制了其泛化能力。近期的深度学习方法实现了非线性对数风险函数，但往往缺乏可解释性 due to end-to-end 训练机制。Kolmogorov-Arnold 网络 (KAN) 的实现为扩展以完全透明和符号化非线性对日志险函数的 CPH 模型提供了新的可能性。本文引入了广义 Cox 比例风险 (GCPH) 模型，这是一种新型生存分析方法，利用 KAN 实现协变量到生存结果的非线性映射，完全以符号化方式实现。GCPH 保持了传统 CPH 模型的可解释性，同时允许估计非线性对日志险函数。在针对合成数据和多个公开基准进行的实验表明，GCPH 在预测精度方面表现出竞争力，并在可解释性方面优于当前最先进的方法。
引用
@article{arxiv.2504.04353,
title = {Extending Cox Proportional Hazards Model with Symbolic Non-Linear Log-Risk Functions for Survival Analysis},
author = {Jiaxiang Cheng and Guoqiang Hu},
journal= {arXiv preprint arXiv:2504.04353},
year = {2025}
}