Deep learning for the partially linear Cox model
部分线性Cox模型的深度学习方法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：摘要聚焦生存模型估计；虽提到治疗协变量，但未明确因果识别或所列其他细分领域。
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…
部分线性Cox模型的深度学习方法
- 研究问题
- 如何在生存分析中利用深度网络拟合复杂非线性关系，同时保留治疗协变量系数的可解释性，并为估计与置信区间提供理论依据？
- 方法与思路
- 作者研究部分线性Cox模型，用深度神经网络实现非线性部分，基于最大偏似然估计建立渐近理论，并进行模拟和两个真实数据分析。
- 材料陈述的贡献
- 摘要称非参数部分达到相差多重对数因子的极小极大最优速度，有限维部分渐近正态且半参数有效，并报告区间覆盖与预测的比较表现。
- 阅读关注点
- 应核对网络函数类、模型及删失条件、有限维参数的效率论证和具体收敛速度，并检查覆盖率与生存预测比较的设计。
- 阅读边界
- 仅依据OpenAlex索引摘要，稿件版本未注明。“n-consistent”可能存在符号提取缺失，需查原PDF；治疗系数的因果解释未说明。
原文摘要
While deep learning approaches to survival data have demonstrated empirical success in applications, most of these methods are difficult to interpret and mathematical understanding of them is lacking. This paper studies the partially linear Cox model, where the nonlinear component of the model is implemented using a deep neural network. The proposed approach is flexible and able to circumvent the curse of dimensionality, yet it facilitates interpretability of the effects of treatment covariates on survival. We establish asymptotic theories of maximum partial likelihood estimators and show that our nonparametric deep neural network estimator achieves the minimax optimal rate of convergence (up to a polylogarithmic factor). Moreover, we prove that the corresponding finite-dimensional estimator for treatment covariate effects is n-consistent, asymptotically normal and attains semiparametric efficiency. Extensive simulation studies and analyses of two real survival data sets show the proposed estimator produces confidence intervals with superior coverage as well as survival time predictions with superior concordance to actual survival times.