SurvSurf：用于间歇观测离散与连续序列事件首达时间预测的部分单调神经网络
机器学习
2025-04-08 v1 人工智能
机器学习
统计理论
应用统计
统计理论
摘要
我们提出了一种基于神经网络的生存模型（SurvSurf），专门设计用于从基线直接且同时预测序列事件首达时间的概率。与现有模型不同，SurvSurf 在理论上保证绝不违反序列事件累积发生率之间的单调关系，同时允许预测变量产生非线性影响。它还在模型拟合中纳入了未观测中间事件的隐含真实信息，并支持离散和连续的时间与事件。我们还确定了一种 Integrated Brier Score (IBS) 的变体，通过考虑关于缺失中间事件的隐含真实信息，该变体显示出与真实概率和预测概率之间的均方误差（MSE）的稳健相关性。我们在两个模拟数据集和两个真实世界数据集上，使用 MSE、更稳健的 IBS 以及通过测量单调性违反程度，证明了 SurvSurf 相较于现代和传统预测性生存模型的优越性。
引用
@article{arxiv.2504.04997,
title = {SurvSurf: a partially monotonic neural network for first-hitting time prediction of intermittently observed discrete and continuous sequential events},
author = {Yichen Kelly Chen and Sören Dittmer and Kinga Bernatowicz and Josep Arús-Pous and Kamen Bliznashki and John Aston and James H. F. Rudd and Carola-Bibiane Schönlieb and James Jones and Michael Roberts},
journal= {arXiv preprint arXiv:2504.04997},
year = {2025}
}
备注
41 pages, 18 figures (including supplemental information). Submitted to RSS: Data Science and Artificial Intelligence