本文介绍了一种结合深度学习和评分规则的新方法，用于评估具有截尾数据的生存分析，优化生存风险估计。研究表明，该方法在多个数据集上表现优越，尤其在竞争风险情境中显著提高了预测性能，并探讨了公平性和可解释性等主题。

该研究提出了一种深度循环生存分析模型，结合深度学习与生存分析，能够有效预测事件发生的可能性和生存率。模型在多个领域的实验中表现优于现有方法，尤其在处理截尾数据和复杂协变量方面，展示了其优势和应用潜力。

本文介绍了一种新的参数方法，用于评估具有截尾数据的时间事件预测问题中的相对风险。该方法通过联合学习输入协变量的深度非线性表示，在多个不同程度的截尾实际世界数据集上估算生存风险的优势，并证明了在竞争风险情景中的优势。这是在存在截尾时进行全参数生存时间与竞争风险估计的第一项研究。

本文介绍了一种新的参数方法，用于评估具有截尾数据的时间事件预测问题中的相对风险。该方法通过学习输入协变量的深度非线性表示，在多个截尾实际世界数据集上估算生存风险，并在竞争风险情景中展示了优势。这是第一项在存在截尾时进行全参数生存时间与竞争风险估计的研究。