# 生存分析

患者来源异种移植（PDX）把人体肿瘤种到免疫缺陷小鼠身上试药，但穷举所有肿瘤与药物组合在时间和成本上不可行。GrAFT-PDX 用贝叶斯模型把肿瘤生长轨迹与小鼠死亡风险联合建模，借低秩张量分解在肿瘤系、治疗和时间三个维度上共享信息，从而补全未做的实验并预测死亡时间。在 PDXe 大规模筛选数据上，它预测死亡时间的对数概率高于 Royston-Parmar 等生存基线，肿瘤反应预测与强基线相当，且不使用基因组输入也能保留已知的基因-药物关联。

患者来源异种移植（PDX）把人体肿瘤种到免疫缺陷小鼠身上试药，但穷举所有肿瘤与药物组合在时间和成本上不可行。GrAFT-PDX 用贝叶斯模型把肿瘤生长轨迹与小鼠死亡风险联合建模，借低秩张量分解在肿瘤系、治疗和时间三个维度上共享信息，从而补全未做的实验并预测死亡时间。在 PDXe 大规模筛选数据上，它预测死亡时间的对数概率高于 Royston-Parmar 等生存基线，肿瘤反应预测与强基线相当，且不使用基因组输入也能保留已知的基因-药物关联。

实验室小鼠的年龄可以从一张普通照片中读出，但读出的主要是相对年龄而非绝对年龄。研究汇集七个设施、1292只小鼠的2846张照片，用未经小鼠数据训练的DINOv2视觉特征加岭回归预测年龄；在未见过的设施上绝对误差中位数达138天，而同一场次内配对比较时较老个体被排得更老的比率为65%，年龄差超过500天时升至95%以上。预测年龄高于实际年龄的小鼠更虚弱，每100天照片年龄差对应虚弱度增加0.12个标准差、死亡风险升高14%。

实验室小鼠的年龄可以从一张普通照片中读出，但读出的主要是相对年龄而非绝对年龄。研究汇集七个设施、1292只小鼠的2846张照片，用未经小鼠数据训练的DINOv2视觉特征加岭回归预测年龄；在未见过的设施上绝对误差中位数达138天，而同一场次内配对比较时较老个体被排得更老的比率为65%，年龄差超过500天时升至95%以上。预测年龄高于实际年龄的小鼠更虚弱，每100天照片年龄差对应虚弱度增加0.12个标准差、死亡风险升高14%。

南开大学团队用XMap对全网IPv4的11434端口做了2025年2月14日至2026年2月13日共362个观测日的每日主动探测，累计发现152,137个暴露的Ollama端点，发现日活端点从10,473升至16,059（增长53.3%）、26.4%的IP仅出现一天、五个CVE切点下仅0.43%–2.90%的低于修复版本IP原地升级、前五国家/地区占加权观测约70%、前五ASN均为云或托管服务商，并通过PTR与443端口TLS探测刻画其运营特征。

南开大学团队用XMap对全网IPv4的11434端口做了2025年2月14日至2026年2月13日共362个观测日的每日主动探测，累计发现152,137个暴露的Ollama端点，发现日活端点从10,473升至16,059（增长53.3%）、26.4%的IP仅出现一天、五个CVE切点下仅0.43%–2.90%的低于修复版本IP原地升级、前五国家/地区占加权观测约70%、前五ASN均为云或托管服务商，并通过PTR与443端口TLS探测刻画其运营特征。

该研究在14个公开事件日志上分析业务流程延迟检测的内在难度，发现剩余时间分布强烈右偏、现有LSTM模型能拟合分布众数但在高延迟案例上表现很差，且预测误差与预测区间宽度随真实剩余时间增大而增大（14个日志中10个呈正相关），据此评估不平衡回归方法（SMOGN重采样、CSW、BMSE、EAL、SERA）仅带来有限收益，转而用生存分析模型输出的不确定性特征（预测标准差、80%与90%预测区间宽度、尾部质量等）配合CatBoost做延迟二分类，在q=0.8阈值下把平均召回率从0.21提升到0.61且精确率无显著下降。

该研究在14个公开事件日志上分析业务流程延迟检测的内在难度，发现剩余时间分布强烈右偏、现有LSTM模型能拟合分布众数但在高延迟案例上表现很差，且预测误差与预测区间宽度随真实剩余时间增大而增大（14个日志中10个呈正相关），据此评估不平衡回归方法（SMOGN重采样、CSW、BMSE、EAL、SERA）仅带来有限收益，转而用生存分析模型输出的不确定性特征（预测标准差、80%与90%预测区间宽度、尾部质量等）配合CatBoost做延迟二分类，在q=0.8阈值下把平均召回率从0.21提升到0.61且精确率无显著下降。

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。

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。