热点事件持续更新
研究提出截断与删失下生存分析模型高效学习方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月12日，arXiv机器学习领域发布了一项关于生存分析模型高效学习的研究。针对结果依赖截断与右删失数据场景，研究人员提出了一种高效学习方法。理论分析证明，在基准风险已知的情况下，尽管目标函数具有非凸性，Cox回归仍可通过一阶优化算法实现高效学习；而基准风险联合学习时则存在严格次优局部极小值。在4个生存数据集上的实验结果显示，该方法不仅减少了预测偏差，还可扩展至神经网络架构，并相比标准的期望最大化（EM）算法实现了数个数量级的计算加速。
AI 根据报道生成 · 1 小时前更新
最新进展10月12日 12:00
研究提出处理截断与删失数据的高效生存分析学习方法，较标准EM算法加速数个数量级。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv 机器学习结果依赖截断与删失条件下的生存分析模型高效学习
研究人员提出了一种在结果依赖截断与右删失数据下高效学习生存分析模型的方法。理论证明在基准风险已知时，尽管存在非凸性，Cox 回归仍可通过一阶优化实现高效学习；基准风险联合学习时则存在严格次优局部极小值。在 4 个生存数据集上的实验表明，该方法减少了预测偏差，可扩展至神经网络，并相比标准期望最大化（EM）算法实现了数个数量级的加速。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。