GRAFT: 生存解析における分類と校准の解耦

arXiv:2602.07884v1 発表 タイプ：new 要約：生存解析は、欠測データ、高次元特徴、そして非線形相互作用により複雑です。古典的なモデルは解釈可能ですが制約が厳しく、深層学習のモデルは柔軟ですが、しばしば非解釈的でありノイズに敏感です。私たちは、予後順位と校准を解耦する革新的な AFT モデルである GRAFT（Gated Residual Accelerated Failure Time）を提案します。GRAFT のハイブリッドアーキテクチャは、線形 AFT モデルと非線形残差ニューラルネットワークを組み合わせており、また確率的ゲートを統合することで、自動的にエンドツーエンドでの特徴選択を行うことができます。このモデルは、局所 Kaplan-Meier エステイメータから確率的に条件付けられたインプゥテーションを用いて、微分可能かつ C 指数に整合したランキング損失を直接最適化することで訓練されます。公開ベンチマークにおいて、GRAFT はベースラインに対して区別力と校准において優れ、高ノイズ環境下では依然として頑健かつスパースで維持されます。

arXiv:2602.07884v1 Announce Type: new Abstract: Survival analysis is complicated by censored data, high-dimensional features, and non-linear interactions. Classical models are interpretable but restrictive, while deep learning models are flexible but often non-interpretable and sensitive to noise. We propose GRAFT (Gated Residual Accelerated Failure Time), a novel AFT model that decouples prognostic ranking from calibration. GRAFT's hybrid architecture combines a linear AFT model with a non-linear residual neural network, and it also integrates stochastic gates for automatic, end-to-end feature selection. The model is trained by directly optimizing a differentiable, C-index-aligned ranking loss using stochastic conditional imputation from local Kaplan-Meier estimators. In public benchmarks, GRAFT outperforms baselines in discrimination and calibration, while remaining robust and sparse in high-noise settings.