标签
本文介绍了一种面向决策的生存分析学习方法，该方法通过NDCG优化将预测模型与后续分配决策对齐。应用于美国心脏移植数据后，排名性能提升了50-100%，每年可能带来数千额外生命年。
本文提出TopoMamSurv，一种用于全切片图像生存分析的图Mamba框架，采用拓扑感知排序解决Mamba对输入顺序的敏感性问题，并融合双向Mamba和图卷积网络（GCN）实现空间上下文建模。
本文提出了acopula，一个JAX原生的嵌套阿基米德Copula推断框架，能够处理任意删失、嵌套树，并利用泰勒模式自动微分计算精确参数梯度，相比现有方法实现了显著的加速。
本文介绍了FederatedRSF，一个用于联邦随机生存森林的Python包，它能处理跨机构的部分重叠医学数据而无需共享原始数据，并在乳腺癌数据上展示了与集中式训练相当的性能。
本文提出非参数估计器 KM-ARL 和 KM-ADD，用于在有限和不规则序列长度下评估变化点检测器，并将快速变化点检测（QCD）与生存分析进行类比。
SurvivalPFN 是一种先验数据拟合网络，通过上下文学习摊销生存分析的贝叶斯推断，在 61 个数据集上实现了强大的预测性能，无需特定任务训练或超参数调优。