本研究提出了SurvUnc元模型框架，旨在解决生存分析中的不确定性量化不足问题，通过锚定学习优化不确定性估计，从而提高模型的可解释性和可靠性。

本研究利用生存分析技术，准确预测工业喷头的寿命，填补了维护规划和生产优化的空白。结果表明，该方法优于行业标准，具有显著潜力。

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。

本研究提出了一种新的公平性概念：均等机会（EO），针对生存分析中的公平性问题。通过条件互信息增强（CMIA）方法，引入公平性正则化和审查数据增强技术，以平衡预测准确性与公平性，显著降低预测差异。

本研究探讨了生存分析中的时间相关概率分布和统计方法，特别是在跌倒风险评估中。分析了泊松回归与考克斯模型的关系，强调生存模型在医疗健康领域预测跌倒风险及分析影响因素的重要性。

本研究提出了双分支编码器与双层对齐框架（DETA），有效解决了来自不同医院的全切片图像在生存分析中的域间差异问题。该框架通过图表示和对齐策略，显著减小了特征和类别分布差异，首次有效应对WSI数据分析中的域转移问题，实验结果显示其在生存分析中的优越性能。

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。

本文介绍了“Spot The Bot”聊天机器人评估框架，利用生存分析评估机器人模拟人类对话的能力，并探讨了聊天机器人的一致性、实用限制及其与人类行为的比较，提出了改进对话AI的建议和方法。

本研究提出了一种基于深度Q网络的算法，用于解决大规模纵向数据的生存分析。通过时间一致性理论，该方法在长序列数据集上表现优于传统方法，提高了训练的稳定性和可靠性。

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。

该论文提出了多种基于深度学习的生存分析方法，旨在提高事件时间预测的准确性。研究涵盖非参数和参数模型，利用健康数据和创新机制，显著提升生存风险估计和临床决策支持的性能。

本文介绍了基于Keras框架的Nnet-survival模型，该模型在医学预测中的生存分析中表现优于现有模型，尤其在乳腺癌筛查、疾病预后和个性化治疗决策方面，能够有效预测风险并提高诊断准确性。

本文探讨了生存分析中的多种方法，包括基于神经网络的模型和评分规则的扩展。研究表明，Cox比例风险模型在低维度右删失数据中仍然有效，并通过新方法优化了生存风险的估计，展示了在竞争风险情境下的优势。

本文提出了一种新颖的生存分析流程，结合改进的生存堆叠模型和可解释的增强学习，以提高心力衰竭风险预测的准确性。研究利用电子健康记录数据，展示了该方法在生存分析中的竞争性性能，并提供了对心力衰竭风险因素的新见解。

本文介绍了 SurvLIMEpy 工具包，支持生存分析数据的局部特征重要性计算及可视化。研究了多种生存模型的表现，特别是深度学习方法 DySurv 和 DeepSurv 在 ICU 死亡风险估计中的优越性，并提出了新的生存分析工具和模型，以提高预测准确性和临床应用效果。

本研究探讨了电子健康档案（EHR）的生存分析，提出了基于深度学习的DySurv和非参数事件时间分布估计等新方法，显著提高了健康事件预测的准确性和稳定性。这些方法在处理异构数据和动态风险评估方面表现优越，推动了健康数据科学的发展。

该论文提出了多种基于深度学习和对抗学习的生存分析方法，以提高事件时间预测的准确性。这些方法利用健康数据，在不同数据集上展示了显著的性能提升，推动了现代健康数据科学的发展。

本研究提出了一种名为FedSurF++的算法，用于医疗领域的生存分析。该算法在隐私保护方面表现出色，并在两个真实数据集上展示了成功。具有高效性、鲁棒性和隐私性，可提高生存分析的可伸缩性和效果。

本研究使用Transformer模型和合成数据生成进行多次访问/记录的患者生存分析，解决了数据稀疏性问题，并展示了在协变量和时间变化的数据集上的优越性能。旨在提高个体患者生存轨迹的理解和预测准确性，在临床试验和新疗法设计中发挥关键作用。

该文介绍了一种新颖的生存分析流程，使用改进的生存堆叠模型将生存分析问题转化为分类问题，并使用 ControlBurn 进行特征选择，最终使用可解释的增强学习机器生成可解释的预测结果。该流程在预测心力衰竭的风险方面实现了最先进的性能，并提供了关于心力衰竭风险因素的有趣且新颖的见解。