Event ·Single source

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。

Current read

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 sources37° AI heatLast updated 2026/11/18 18:03:25

Evidence

2 sources
Primary sourcearXiv cs.LG
View source
Related source 1lmarena.ai
View source

Conflict check

Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.