Boosted nonparametric hazards with time-dependent covariates
含时变协变量的非参数风险函数提升估计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：摘要研究生存分析中的风险函数估计，风险函数并非金融尾部风险，亦无其他所列方向的直接证据。
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…
含时变协变量的非参数风险函数提升估计
- 研究问题
- 对带时变协变量的生存过程，如何用梯度提升非参数估计风险函数，并解释限制步长为何有助于算法收敛？
- 方法与思路
- 作者推导非参数对数似然泛函的光滑凸表示及其泛函梯度，据此构造通用梯度提升程序，并展示回归树实现。
- 材料陈述的贡献
- 摘要称，模型正确设定时通用估计具有一致性，树模型可获得 oracle 不等式；步长限制能防止风险曲率破坏收敛。
- 阅读关注点
- 应核对似然表示与优化方向、模型正确设定的含义、树模型不等式的条件，以及步长和其他正则化如何配合。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；具体假设、误差界和步长规则未说明，不能认定任意提升实现都具有这些保障。
原文摘要
Given functional data from a survival process with time-dependent covariates, we derive a smooth convex representation for its nonparametric log-likelihood functional and obtain its functional gradient. From this we devise a generic gradient boosting procedure for estimating the hazard function nonparametrically. An illustrative implementation of the procedure using regression trees is described to show how to recover the unknown hazard. The generic estimator is consistent if the model is correctly specified; alternatively an oracle inequality can be demonstrated for tree-based models. To avoid overfitting, boosting employs several regularization devices. One of them is step-size restriction, but the rationale for this is somewhat mysterious from the viewpoint of consistency. Our work brings some clarity to this issue by revealing that step-size restriction is a mechanism for preventing the curvature of the risk from derailing convergence.