NSOTree：神经生存斜树

生存分析是一种统计方法，用于考察直至感兴趣特定事件发生的持续时间，即受删失表征的时间-事件信息。近来，基于深度学习的方法因其表征能力与最先进性能而主导该领域。然而，深度神经网络的黑箱性质阻碍了其可解释性，而这在现实生存应用中是被期望的，却长期被以往工作忽视。相比之下，传统基于树的方法在可解释性上具有优势，但同时始终受限于因贪婪扩展而无法逼近全局最优。本文中，我们利用神经网络与基于树方法的优势，兼顾其逼近复杂函数的能力并保持可解释性。为此，我们提出一种用于生存分析的神生存斜树（NSOTree）。具体而言，NSOTree 由 ReLU 网络导出，可以即插即用的方式轻松整合进现有生存模型。在模拟与真实生存数据集上的评估展示了所提方法在性能与可解释性方面的有效性。