CleanSurvival 用强化学习为生存分析自动挑选预处理流程，在真实数据基准上相对简单基线提升预测表现
核心概要
该工作提出 CleanSurvival，一个基于强化学习（Q-learning）的自动化数据预处理框架，专门面向删失数据的时间到事件（生存分析）模型：它从数据插补、异常值检测与特征提取技术的组合中，为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程；在真实数据集基准上，这种基于 Q-learning 的预处理相对简单基线提升了预测表现，运行时间行为依条件而定，并在覆盖最充分的基准单元中最清晰可解释；模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。
深度剖析
提出 CleanSurvival，把自动化预处理扩展到生存分析这一此前缺乏定制化自动方案的任务。 既有 AutoML 流程已开始把数据预处理整合进分类与回归任务，但这类整合在删失数据的时间到事件模型中缺失；该工作针对这一空白构建了专用框架。 论文摘要明确陈述该缺口与框架定位，并给出可获取的 Python 包（GitHub 链接），但所加载文本未包含实现细节或代码级验证。
框架以 Learn2Clean 的 Q-learning 为核心，在插补、异常值检测与特征提取技术的组合空间中搜索，以提升目标时间到事件模型的性能。 将强化学习驱动的预处理选择从通用任务迁移到生存分析，并支持连续与分类变量，且兼容 Cox、随机森林、神经网络或用户自定模型。 摘要描述了方法构成与所支持的模型类型；具体搜索空间规模、奖励设计与训练细节未在所加载文本中给出。
在真实数据集基准上，基于 Q-learning 的预处理相对简单基线提升了预测表现。 为生存分析场景提供了自动化预处理优于简单基线的实证信号，而不仅是方法层面的设想。 摘要报告了真实世界数据集上的基准结果，但未给出具体数据集名称、样本量或效应量数值。
模拟研究显示该方法在不同类型与程度的缺失和噪声下均有效。 把评估从真实数据扩展到可控的缺失与噪声条件，补充了预处理鲁棒性的证据维度。 摘要陈述了模拟研究的结论，但未提供模拟设置、参数范围或量化结果。
启示与展望
该工作面向使用删失数据做时间到事件建模的研究者与从业者，适用于需要为 Cox、随机森林、神经网络或用户自定模型自动选择插补、异常值检测与特征提取组合的场景；作者以开源 Python 包形式发布，便于在生存研究中直接试用。其结论所依据的设定是真实数据集基准与模拟研究，运行时间行为依条件而定，在覆盖最充分的基准单元中最清晰可解释。
所加载文本为不完整内容，仅含摘要、关键词与参考文献，图与表未呈现，因此无法核对具体数据集、基准单元、样本量、效应量以及运行时间的具体表现。摘要称运行时间行为依条件而定，但未说明在何种条件下如何变化；模拟研究覆盖的缺失与噪声类型和程度也未列出。此外，Q-learning 搜索空间规模、奖励设计与训练成本等实现层面的问题，需在完整正文中确认。