SurvKAN：基于 Kolmogorov-Arnold 网络的全参数存活模型
机器学习
2026-02-03 v1 人工智能
摘要
准确预测事件发生的时间对于临床决策、治疗规划和资源分配至关重要。虽然 Cox 等经典存活模型在标准实践中广泛采用，但它们依赖于限制性假设，包括线性协�变量关系和随时间成比例的比例危害，这些假设往往无法捕捉真实世界临床动态。最近的深度学习方法如 DeepSurv 和 DeepHit 提供了更好的表达能力，但牺牲了可解释性，而在信任和透明度至关重要的临床环境中这一点限制了其应用。 incorporating Kolmogorov-Arnold 网络（KANs）的混合模型，如 CoxKAN，开始解决这一权衡，但仍受制于半参数 Cox 框架。本文引入 SurvKAN，一个基于 KAN 架构的全参数、连续时间存活模型，消除比例危害约束。SurvKAN 将时间作为显式输入到 KAN 中，直接预测对数危害函数，实现对完整存活似然的端到端训练。我们的体系结构通过可学习的单变量函数保留可解释性，表明 individual features 如何随时间影响风险。广泛的在标准存活基准上的实验表明，SurvKAN 在 concordance 和 calibration 指标上实现了与经典和最新方法相当或更优的性能。此外，可解释性分析揭示了与医学领域知识相符的临床有意义模式。
引用
@article{arxiv.2602.02179,
title = {SurvKAN: A Fully Parametric Survival Model Based on Kolmogorov-Arnold Networks},
author = {Marina Mastroleo and Alberto Archetti and Federico Mastroleo and Matteo Matteucci},
journal= {arXiv preprint arXiv:2602.02179},
year = {2026}
}