部分线性生存数据的灵活深度神经网络：估计与生存推断
机器学习
2026-04-28 v2 机器学习
摘要
我们提出一种灵活的深度神经网络（DNN）框架，用于部分线性回归结构中的生存数据建模。该方法通过针对感兴趣协变量的参量线性组件保留可解释性，同时利用非参数 DNN 组件捕捉杂质变量中复杂的时间-协变量相互作用。我们将该方法称为 FLEXI-Haz，即 FLEXIble Hazard 模型，具有部分线性结构。在与现有 DNN 方法用于部分线性 Cox 模型不同，FLEXI-Haz 不依赖比例风险假设。我们给出理论保证：神经网络组件在复合 Hölder 类上达到 minimax 最优收敛率，线性估计器为 sqrt-n 一致、渐近正态且半参数高效，并开发了用于新观察对象的累积风险和生存函数的交叉拟合 one-step 估计，包括点渐近置信区间。迄今为止，这是第一个在 DNN 生存模型（有或无线性组件）中获得生存函数渐近点推断结果。仿真与实际数据分析表明，FLEXI-Haz 作为基于比例风险方法的原则且可解释的替代方案具有实用价值。
关键词
引用
@article{arxiv.2512.10570,
title = {Flexible Deep Neural Networks for Partially Linear Survival Data: Estimation and Survival Inference},
author = {Asaf Ben Arie and Malka Gorfine},
journal= {arXiv preprint arXiv:2512.10570},
year = {2026}
}