TripleSurv：用于生存分析的三元组时间自适应坐标损失

生存分析的一个核心挑战是对删失的时间 - 事件数据分布进行建模，其中感兴趣的事件可能是死亡、故障或特定事件的发生。先前的研究表明，排序损失和最大似然估计（MLE）损失函数广泛用于生存分析。然而，排序损失仅关注生存时间的排序，未考虑样本对确切生存时间值的潜在影响。此外，MLE 是无界的且容易受到异常值（例如删失数据）的影响，可能导致建模性能不佳。为了应对学习过程的复杂性并利用有价值的生存时间值，我们提出了一种时间自适应坐标损失函数 TripleSurv，通过将样本对之间的生存时间差异引入排序来实现自适应调整，从而鼓励模型对样本对的相对风险进行定量排序，最终提高预测精度。最重要的是，TripleSurv 擅长通过对样本对的排序来量化样本间的相对风险，并将时间间隔作为权衡因素以校准模型在样本分布上的鲁棒性。我们在三个真实世界生存数据集和一个公开合成数据集上评估了 TripleSurv。结果表明，我们的方法优于最先进的方法，并在对不同删失率的各种复杂数据分布进行建模时表现出良好的模型性能和鲁棒性。我们的代码将在录用后公开。