MENSA：用于信息性删失的生存分析的多事件网络

该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法，显著提升了生存风险估计的性能。

研究中提出的深度循环生存分析模型能够捕获时间依赖性，预测事件发生的可能性，并在多个领域的实验中优于现有解决方案。

介绍了一种新的参数方法来评估具有截尾数据的时间事件预测问题，展示了在竞争风险情景中的优势。

综述了深度学习在生存分析中的应用，旨在帮助研究者确定未来的研究方向。

提出了一种基于Deep AFT Rank-regression模型的时间到事件预测方法，无需对存活时间分布进行假设。

CenTime方法通过创新的事件条件压缩机制直接估计事件发生时间，形成一致估计器。

研究提出了一种从数据中学习划分事件时间间隔的方法，改善了临床决策支持。

利用Transformer模型处理时间变化的协变量，解决了生存分析中的数据稀疏性问题，提高了预测准确性。

通过分解Survival Analysis模型的表达，改善了模型的训练和推断方法，动态处理右删失观测。

比较不同生存分析方法的性能，结果显示深度学习方法在歧视度和校准性方面表现最佳。