本研究提出了SurvCBM和SurvRCM两种新模型，将概念驱动学习与生存分析结合，处理删失事件时间数据。实验结果表明，SurvCBM的性能优于传统模型，突出了概念信息整合的重要性。

本研究提出了UniSurv生存回归方法，解决了传统方法在处理复杂数据时的局限性。该方法生成高质量的概率分布函数，并通过优化损失函数和利用变换器的灵活性提高对删失数据的敏感性。实验结果表明该方法优于现有方法。