Horseshoe Forests for High-Dimensional Causal Survival Analysis
用于高维因果生存分析的马蹄先验森林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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以删失生存数据中的异质性处理效应为估计对象，直接涉及因果推断。
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…
用于高维因果生存分析的马蹄先验森林
- 研究问题
- 面对删失生存结局与高维协变量，如何灵活估计异质性处理效应，并在不同稀疏程度和非线性效应下控制估计噪声？
- 方法与思路
- 作者构建贝叶斯树集成，在阶梯函数高度上直接施加马蹄先验进行全局与局部收缩，并设计可逆跳跃 Gibbs 采样器。
- 材料陈述的贡献
- 摘要称模拟显示该方法能准确估计高维异质性处理效应，并通过重新分析癌症基因组图谱的胰腺癌生存数据展示应用。
- 阅读关注点
- 应核对生存处理效应的具体定义、删失与因果识别条件、马蹄先验的作用，以及采样收敛和不确定性评估方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明识别假设、删失机制及比较结果的具体数值。
原文摘要
We develop a Bayesian tree ensemble model to estimate heterogeneous treatment effects in censored survival data with high-dimensional covariates. Instead of imposing sparsity through the tree structure, we place a horseshoe prior directly on the step heights to achieve adaptive global-local shrinkage. This strategy allows flexible regularisation and reduces noise. We develop a reversible jump Gibbs sampler to accommodate the non-conjugate horseshoe prior within the tree ensemble framework. We show through extensive simulations that the method accurately estimates treatment effects in high-dimensional covariate spaces, at various sparsity levels, and under non-linear treatment effect functions. We further illustrate the practical utility of the proposed approach by a re-analysis of pancreatic ductal adenocarcinoma (PDAC) survival data from The Cancer Genome Atlas.