截断数据下 Cox 回归优化研究

研究者 Itai Zilberstein 等人提交论文，研究在结果依赖截断与右删失数据下，Cox 回归能否高效学习。他们证明：当基线风险已知时，可用一阶优化高效学习该模型，尽管目标函数非凸；但当基线风险需要联合学习时，可以构造出可识别模型，其负对数似然含有严格次优局部极小值。 在四个生存数据集上，考虑截断降低了朴素 Cox 回归带来的预测偏差，方法可扩展至神经网络，相比标准期望最大化方法取得数量级加速。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。