FPBoost：基于全参数梯度提升的生存分析方法
机器学习
2026-02-03 v3 人工智能
摘要
生存分析是一种用于建模事件发生时间的数据统计框架。在医学、可靠性工程和社会科学研究中，尤其在数据样本有限的情况下，理解事件动态至关重要。近期的机器学习进展，特别是采用神经网络和决策树的方法，为生存建模引入了 sophisticated 的算法。然而，这些方法许多依赖于对事件时间分布的限制性假设，如比例风险、时间离散或加速失效时间。在本研究中，我们提出了 FPBoost，一种将全参数风险函数的加权和与梯度提升相结合的生存模型。通过最大化完整生存似然函数训练决策树来估计分布参数。我们展示了 FPBoost 是风险函数的通用逼近器，能够在保持解释性的同时提供完整的事件时间建模灵活性。我们在多个基准数据集上评估了 FPBoost 的 concordance 和校准，展示了其作为新工具进行生存估计的鲁棒性和多样性。
引用
@article{arxiv.2409.13363,
title = {FPBoost: Fully Parametric Gradient Boosting for Survival Analysis},
author = {Alberto Archetti and Eugenio Lomurno and Diego Piccinotti and Matteo Matteucci},
journal= {arXiv preprint arXiv:2409.13363},
year = {2026}
}