事件专题 ·单一信源

大规模生存分析基准:49 个数据集、10 种方法的模型选择研究

一篇 arXiv 论文构建了一个大规模生存分析基准,用 10 种经典、树模型和深度学习方法在 49 个数据集上对比。研究的关键设计是把模型选择准则本身当作实验变量,分别用 C-index、Integrated Brier Score(IBS)和 MAE-PO 三种指标来选超参数。 通过贝叶斯混合效应建模,作者发现评估设计直接决定结论:对深度学习和树模型而言,用 IBS 而非 C-index 来选超参数,能在概率精度和校准度上获得显著提升,而判别排序能力几乎不受损失。方法表现还受数据集特征支配——DL 模型在大样本下扩展性很好,但在高维特征空间出现明显性能下滑。 研究还指出一个结构性缺陷:重度删失会人为推高绝对校准指标,使检验变得过于保守。论文主张放弃单一全局数字的性能总结,要求透明报告评估设置,代码已在 GitHub 开源。

当前结论

做生存分析的朋友值得看看,9 种方法跑 49 个数据集的结论很实在:选超参数时用 IBS 替代 C-index,校准度能明显提升而排序能力基本不掉。还提醒了删失严重时校准指标会虚高的问题。

2 个信源37° AI 热度最后更新 2026/11/18 18:03:25

证据链

2 个信源

冲突核查

现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。