KAPLAN：Kolmogorov-Arnold 预测可学习激活网络用于生存分析
机器学习
2026-05-26 v2 人工智能
机器学习
摘要
生存分析旨在建模协变量和时间如何共同塑造时间至事件分布，在右删除条件下。经典方法如 Cox 模型和广义可加模型（GAM）需要手动指定相互作用和随时间变化的效应，这在越来越丰富的临床数据集上变得日益不实践。我们提出了 KAPLAN-HR，这是一种 B 样条 Kolmogorov-Arnold 网络（KAN），用于非参数估计条件危险率作为协变量和时间的联合函数。单层 KAPLAN-HR 模型可恢复 GAM，而更深的体系结构通过组合捕获相互作用和随时间变化的效应。我们建立了非参数 KAN 危险率估计器的收敛率，其收敛率仅取决于底层 KAN 表示的光滑性，而非协变量维度，从而缓解了 KAN 可表示目标的维度诅咒。在六个临床基准数据集的评估中，KAPLAN-HR 在预测性能上与 established 的统计和深度学习生存方法相当或更好。
引用
@article{arxiv.2605.23082,
title = {KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis},
author = {Stelios Boulitsakis Logothetis and Angela Wood and Pietro Liò},
journal= {arXiv preprint arXiv:2605.23082},
year = {2026}
}
备注
9 pages, 3 figures, 13 supplementary pages. Submitted to NeurIPS 2026