Recursively Imputed Survival Trees
递归插补生存树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：摘要研究右删失数据的生存预测，并非所列宏观预测或金融收益预测，也未涉及其他明确细分。
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…
关注这篇论文的作者
递归插补生存树
- 研究问题
- 对于右删失生存数据，如何在树回归中更充分地利用删失观测，以改善模型拟合并减少预测误差？
- 方法与思路
- 作者将递归插补与极端随机树结合，形成非参数生存回归程序，并将其解释为增加拟合多样性的蒙特卡洛 EM 方法。
- 材料陈述的贡献
- 摘要称模拟和数据分析显示，该方法相较既有树方法提高了删失数据的利用程度，获得更好拟合与更低预测误差。
- 阅读关注点
- 应核对删失机制假设、递归插补分布与停止规则，以及比较方法、预测评价指标和避免训练信息泄漏的安排。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；不能推断刊本变化。摘要未列出删失条件、比较方法及误差数值，不能据此判断普遍优势。
原文摘要
We propose recursively imputed survival tree (RIST) regression for right-censored data. This new nonparametric regression procedure uses a novel recursive imputation approach combined with extremely randomized trees that allows significantly better use of censored data than previous tree based methods, yielding improved model fit and reduced prediction error. The proposed method can also be viewed as a type of Monte Carlo EM algorithm which generates extra diversity in the tree-based fitting process. Simulation studies and data analyses demonstrate the superior performance of RIST compared to previous methods.