SurvivalPFN：通过上下文贝叶斯推理摊销生存预测

生存分析提供了一个强大的统计框架，用于在存在审查的情况下对事件发生时间结果进行建模。然而，从许多专门的生存方法中选择合适的估计器通常需要大量的方法论和领域专业知识。我们引入 SurvivalPFN，这是一种先验数据拟合网络，可通过上下文学习分摊贝叶斯推理以进行审查观察。 SurvivalPFN 在各种合成的、可识别的和右审查的数据生成过程中进行了预训练，使其能够在推理过程中通过一次前向传递来分摊生存分析。因此，该模型无需特定于任务的训练或超参数调整即可适应每个数据集的有效复杂性，避免限制性参数假设，并生成校准的生存分布。在涵盖 61 个数据集、21 种方法和 5 个评估指标的大规模基准中，SurvivalPFN 实现了强大的预测性能，并且通常在已建立的生存模型的基础上进行了改进。这些结果表明，SurvivalPFN 为生存分析提供了一个原则性且实用的基础模型，在医疗保健、金融和工程等高影响领域具有潜在的应用 (https://github.com/rgklab/SurvivalPFN)。