TabSurv：将现代表格神经网络适配于生存分析
机器学习
2026-05-06 v1 人工智能
机器学习
摘要
表格数据上的生存分析是一个被广泛研究的问题。然而，现有的深度学习方法通常高度特定于任务，这可能限制了来自其他领域新方法的迁移，并引入可能影响性能的约束。我们提出了 TabSurv，这是一种使用 Weibull 分布或非参数生存预测将现代表格架构适配于生存分析的方法。TabSurv 优化了 SurvHL，这是一种支持删失数据的新型直方图损失函数。除了基线前馈网络外，我们还在 TabSurv 中实现了用于生存分析的 MLP 深度集成。与先前的工作不同，集成组件并行训练，在平均之前优化生存分布参数，这促进了集成组件预测之间的多样性。我们在 10 个多样化的真实世界生存数据集上对不同提出的架构进行了全面的实证评估。结果表明，TabSurv 在平均表现上始终优于已建立的经典和深度学习基线，如 RSF、DeepSurv、DeepHit 和 SurvTRACE。值得注意的是，采用 Weibull 参数化而非非参数模型的深度集成在 C 指数上取得了最高平均排名。总体而言，我们的研究阐明了如何适配和训练现代表格神经网络以解决生存分析问题，提供了一种强大且可靠的方法。TabSurv 的实现已公开可用。
引用
@article{arxiv.2605.03944,
title = {TabSurv: Adapting Modern Tabular Neural Networks to Survival Analysis},
author = {Stanislav Kirpichenko and Andrei Konstantinov and Lev Utkin},
journal= {arXiv preprint arXiv:2605.03944},
year = {2026}
}