生存分析中的个体风险与聚合：潜在机制框架
机器学习
2026-03-26 v1
摘要
生存分析为建模 time-to-event 数据提供了已建立的框架，hazard 和 survival functions 形式上被定义为 population-level quantities。在实际应用中，这些量往往被解释为代表 individual-level risk，尽管缺乏清晰的生成模型将 individual risk mechanism 与观察到的生存数据联系起来。本文发展了一个潜在 hazard 框架，通过建模事件时间来源于未观察的、individual-specific hazard mechanism，并将 population-level survival 量视为异构机制的聚合。在该框架中，我们展示 individual hazard trajectories 无法从生存数据中在部分信息下被识别。更一般地，给定协变量的潜在 hazard mechanism 的条件分布在结构上是不可识别的，即使 population-level survival functions 完全已知。这种不可识别性源于生存数据中固有的聚合，无论模型灵活性或估计策略如何都持续存在。最后，我们表明经典生存模型可以根据其如何处理此未解决的条件 mechanism distribution 进行系统性再解释。本文为理解生存分析中的异构性、可识别性和解释提供了统一框架，并阐明了当 individual risk mechanism 只能部分观察时，population-level survival 模型应如何解释，从而为原则性建模和推断建立明确的信息约束。
引用
@article{arxiv.2603.24275,
title = {Language-Assisted Image Clustering Guided by Discriminative Relational Signals and Adaptive Semantic Centers},
author = {Jun Ma and Xu Zhang and Zhengxing Jiao and Yaxin Hou and Hui Liu and Junhui Hou and Yuheng Jia},
journal= {arXiv preprint arXiv:2603.24275},
year = {2026}
}