面向存活分析的异质处理效应基准测试
机器学习
2026-03-06 v1 人工智能
机器学习
摘要
从右删失存活数据估计异质处理效应（HTEs）在精准医学和个性化政策制定等高风险应用中至关重要。然而，存活分析环境因删失、不可观测的反事实值以及复杂的识别假设而为 HTE 估计带来独特挑战。尽管近期进展从因果存活森林到存活 meta-learner 和结果插值方法不等，但评估实践仍然分散且不一致。我们介绍 SurvHTE-Bench，第一个全面的存活 HTE 估计基准。该基准涵盖（i）具有已知真实 ground truth 的模块化合成数据集，系统性地变异因果假设和存活动力学，（ii）将真实世界的协变量与模拟处理和结果配对的半合成数据集，（iii）来自双胞胎研究（具有已知 ground truth）和来自 HIV 临床试验的真实世界数据集。在合成、半合成和真实世界情景中，我们提供首次在多样化条件和现实假设违反下对存活 HTE 方法进行严格比较。SurvHTE-Bench 为解释存活方法中的复杂度、预测变异性和结构重组提供了自然的组织框架。我们的数据和代码可在 https://github.com/Shahriarnz14/SurvHTE-Bench 上获得。
引用
@article{arxiv.2603.05483,
title = {SurvHTE-Bench: A Benchmark for Heterogeneous Treatment Effect Estimation in Survival Analysis},
author = {Shahriar Noroozizadeh and Xiaobin Shen and Jeremy C. Weiss and George H. Chen},
journal= {arXiv preprint arXiv:2603.05483},
year = {2026}
}
备注
The Fourteenth International Conference on Learning Representations (ICLR 2026)