迈向灵活的事件时间建模：通过秩回归优化神经网络

事件时间分析，也称生存分析，旨在给定一组特征的情况下预测事件发生的时间。该领域的主要挑战之一是处理删失数据，这会增加学习算法的复杂性。传统方法如 Cox 比例风险模型与加速失效时间（AFT）模型在该领域广受欢迎，但它们常需比例风险与线性等假设。特别地，AFT 模型常需预先指定的参数分布假设。为提升预测性能并缓解严格假设，近年来出现了许多针对基于风险模型的深度学习方法。然而，尽管 AFT 相较于关注风险的模型具有简单性与可解释性，其在神经网络文献中的表示学习尚未被广泛探索。本工作中，我们引入用于事件时间预测的 Deep AFT 秩回归模型（DART）。该模型使用基于 Gehan 秩统计的目标函数，对表示学习高效且可靠。除消除建立基线事件时间分布的要求外，DART 保留了标准 AFT 模型直接预测事件时间的优势。所提方法是一种对 AFT 建模的半参数方法，不对生存时间分布施加任何分布假设。这也消除了对额外超参数或复杂模型架构的需求，不同于现有基于神经网络的 AFT 模型。通过对多个基准数据集的定量分析，我们展示了 DART 在建模高通量删失事件时间数据方面的显著潜力。