Nonparametric inference for censored data using deep neural networks
利用深度神经网络对删失数据进行非参数推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究删失生存数据的非参数推断，虽提到处理比较，但未给出因果识别依据或其他所列细分结构。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用深度神经网络对删失数据进行非参数推断
- 研究问题
- 在生存时间存在右删失时，如何灵活估计给定协变量的条件风险函数，并据此进行拟合检验和两样本处理比较？
- 方法与思路
- 作者用深度神经网络逼近条件风险函数的对数，构造似然估计量，并发展单样本、两样本及非参数 Cox 模型检验。
- 材料陈述的贡献
- 摘要称，研究建立非渐近误差界、函数型渐近正态性及检验一致性，并报告模拟和应用中优于比较方法的表现。
- 阅读关注点
- 阅读全文时应核对删失机制、网络复杂度与正则条件、检验校准和功效分析，以及处理比较是否具有因果解释。
- 阅读边界
- 仅据所给 Crossref 在线发表摘要；误差界条件、数据及比较数值未说明，处理比较不自动具备因果识别。
原文摘要
Abstract We propose a novel deep learning approach to nonparametric statistical inference for the conditional hazard function of survival time with right-censored data. We use a deep neural network (DNN) to approximate the logarithm of a conditional hazard function given covariates and obtain a DNN likelihood-based estimator of the conditional hazard function. Such an estimation approach enhances model flexibility and hence relaxes structural and functional assumptions on conditional hazard or survival functions. We establish the nonasymptotic error bound and functional asymptotic normality of the proposed estimator. Subsequently, we develop new one-sample tests for goodness-of-fit evaluation and two-sample tests for treatment comparison. Notably, we design a new test specifically tailored for testing nonparametric Cox models. The consistency of these tests is established by analyzing the power functions. Both simulation studies and real application analysis show superior performances of the proposed estimators and tests in comparison with existing methods.