跳转至

Fast Lasso method for large-scale and ultrahigh-dimensional Cox model with applications to UK Biobank

作者: Ruilin Li, Christopher Chang, Johanne M Justesen, Yosuke Tanigawa, Junyang Qian et al.
主题: 统计计算 / 算法
相关性: 5/10
链接: https://doi.org/10.1093/biostatistics/kxaa038

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：如何在大规模（样本量百万级）、超高维（特征数百万级）的生存数据上，高效地求解带 Lasso 惩罚的 Cox 比例风险模型。核心矛盾在于：经典的坐标下降法（如 glmnet）需要将整个设计矩阵载入内存，当数据规模超过内存容量时，算法无法运行；同时，超高维特征使得全路径求解的计算量不可接受。当前成熟度：方法层面已有若干尝试（如迭代筛选、随机梯度下降），但缺乏一个同时满足内存友好、全路径输出、可扩展至百万级特征的通用算法。

发展脉络（history）

作者在 intro 中引用的工作串成以下脉络：

  1. 奠基工作：
  2. Tibshirani (1997)：首次提出 Lasso-Cox 模型，将 L1 惩罚引入 Cox 偏似然，奠定了高维生存分析的基础。但当时的数据规模远小于今日，算法（坐标下降）在小规模数据上可行。

  3. Friedman, Hastie & Tibshirani (2010)：开发了 glmnet 包，用坐标下降法高效求解 Lasso 路径，成为标准工具。但 glmnet 要求整个设计矩阵在内存中，且每次迭代扫描所有特征，对超高维数据不适用。

  4. 主要进展——内存友好策略：

  5. Tibshirani et al. (2012)：提出“强规则”（strong rule）筛选，在坐标下降前先丢弃大量系数为零的特征，减少计算量。但强规则本身需要一次全数据扫描，且可能漏掉非零特征（需后续检查）。

  6. Qian et al. (2019)：提出 Batch Screening Iterative Lasso (BASIL) 方法，用于线性回归和逻辑回归。核心思想：迭代地筛选变量（基于当前残差与特征的边际相关性）→ 在筛选后的子集上求解 Lasso → 检查是否遗漏重要变量 → 重复。BASIL 的关键优势是内存友好：每次只载入筛选后的特征子集，而非全数据。本文正是将 BASIL 从广义线性模型推广到 Cox 模型。

  7. 当前 frontier：

  8. UK Biobank 规模的数据：样本量约 50 万，基因型特征数可达数百万（SNP 位点）。现有方法（如 PLINK 的 Cox 回归）只能处理单变量检验，无法做多变量 Lasso 选择。
  9. 本文的位置：作者将 BASIL 框架适配到 Cox 偏似然，解决了两个关键挑战：(a) Cox 模型的“残差”不是简单的线性残差，而是基于当前系数估计的偏似然得分（score function）；(b) 筛选准则需要从线性回归的边际相关性推广到 Cox 模型的边际得分统计量。本文声称这是第一个能在 UK Biobank 规模数据上输出完整 Lasso 路径的 Cox 模型算法。

子线索聚类

这些被引文献大致落在 3 条子线索上：

  • 线索 1：Lasso 路径求解算法（Friedman et al. 2010, Tibshirani et al. 2012, Qian et al. 2019）—— 关注如何高效计算 Lasso 的全路径解，核心工具是坐标下降和筛选规则。本文属于此线索的直接延伸。
  • 线索 2：高维生存分析（Tibshirani 1997, Simon et al. 2011）—— 关注 Cox 模型在高维设定下的统计性质（变量选择一致性、预测性能）。本文不涉及统计性质证明，只关注计算。
  • 线索 3：大规模遗传数据分析（PLINK2 开发团队, UK Biobank 数据描述）—— 关注如何将统计方法部署到遗传学数据管道中。本文的 snpnet-Cox 实现直接集成到 PLINK2，属于此线索。

这个方向在追问的核心问题

  1. 如何设计筛选准则：在 Cox 模型中，哪些统计量能有效识别“可能非零”的特征，同时保证不遗漏重要变量？（本文用边际得分统计量）
  2. 如何保证筛选的统计一致性：筛选后的子集是否以高概率包含真实非零特征？需要什么条件（如 irrepresentable condition）？
  3. 如何平衡计算效率与统计精度：筛选步骤引入的近似误差是否可控？是否影响最终 Lasso 路径的准确性？
  4. 如何扩展到其他生存模型：如竞争风险模型、时变系数模型？

已知瓶颈：BASIL 类方法的理论保证（筛选一致性）在 Cox 模型下尚未建立；现有分析仅针对线性回归（Qian et al. 2019 的定理 1 给出了线性模型下的筛选一致性界）。Cox 模型的非线性偏似然使得理论分析更复杂。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）

  • 作者把缺口 frame 成：“现有 Lasso-Cox 求解器（如 glmnet）无法处理 UK Biobank 规模的数据，因为内存限制和计算时间不可接受。BASIL 方法在 GLM 上已成功，但尚未推广到 Cox 模型。本文填补了这一空白。” —— 这是作者的说法。
  • 被淡化或回避的竞争路线：
  • 随机梯度下降（SGD）类方法：如 proximal SGD 或 SVRG，也可以处理内存外数据，但作者在 intro 中未提及。可能原因是 SGD 难以输出完整 Lasso 路径（需要多次调参），且收敛速度对步长敏感。
  • 分块坐标下降（block coordinate descent）：将特征分块，每次只载入一块到内存。作者未讨论这种策略的可行性。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？：
  • “screening + Lasso” 的理论分析：如 Fan & Lv (2008) 的 Sure Independence Screening (SIS) 理论，以及后续的迭代筛选理论（如 ISIS）。这些工作直接相关，但作者只引了 BASIL 的原始论文（Qian et al. 2019），未引 SIS 系列。值得研究者去查：SIS 理论是否能为 BASIL-Cox 的筛选一致性提供基础？
  • 高维 Cox 模型的 minimax 率：如 Huang et al. (2013) 关于 Lasso-Cox 的变量选择一致性结果。作者未引，可能是因为本文是纯计算方法论文，不涉及统计性质。

张力

未见明显对立引用。所有被引工作都指向“需要更高效的 Lasso-Cox 求解器”这一共识，只是方法路径不同（坐标下降 vs. 筛选迭代）。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - \( n \)：样本量（个体数）。 - \( p \)：特征数（SNP 位点数），超高维意味着 \( p \gg n \)。 - \( \mathbf{X} \in \mathbb{R}^{n \times p} \)：设计矩阵，第 \( i \) 行 \( \mathbf{x}_i \in \mathbb{R}^p \) 是个体 \( i \) 的特征向量。 - \( (T_i, C_i) \)：第 \( i \) 个个体的潜在生存时间（failure time）和删失时间（censoring time）。实际观测到的是 \( Y_i = \min(T_i, C_i) \) 和事件指示 \( \delta_i = I(T_i \leq C_i) \)。 - \( \mathcal{R}(t) = \{ i : Y_i \geq t \} \)：在时间 \( t \) 的风险集（risk set）。 - \( \beta \in \mathbb{R}^p \)：回归系数向量，是待估参数。 - \( \lambda \)：Lasso 正则化参数，控制惩罚强度。 - \( \ell(\beta) \)：Cox 偏似然函数（partial likelihood），具体形式见下。 - \( \ell_\lambda(\beta) = \ell(\beta) - \lambda \|\beta\|_1 \)：带 L1 惩罚的偏似然（目标函数）。

模型： Cox 比例风险模型假设个体 \( i \) 的风险函数为：

\[h_i(t) = h_0(t) \exp(\mathbf{x}_i^\top \beta)\]
其中 \( h_0(t) \) 是基线风险函数，不依赖于个体特征。模型不假设 \( h_0(t) \) 的参形式，属于半参数模型。估计 \( \beta \) 时，通过最大化偏似然来消去 \( h_0(t) \)：
\[\ell(\beta) = \sum_{i: \delta_i=1} \left[ \mathbf{x}_i^\top \beta - \log \sum_{j \in \mathcal{R}(Y_i)} \exp(\mathbf{x}_j^\top \beta) \right]\]
偏似然只依赖于风险集的排序，不依赖于基线风险的具体形式。

可观测数据： 研究者实际能观测到的是 \( \{ (Y_i, \delta_i, \mathbf{x}_i) \}_{i=1}^n \)。其中： - \( Y_i \) 是观测到的生存时间（可能被删失）。 - \( \delta_i \) 是事件指示（1=事件发生，0=删失）。 - \( \mathbf{x}_i \) 是特征向量（如基因型编码为 0/1/2）。

想要但观测不到的量： - 基线风险函数 \( h_0(t) \) —— 被偏似然消去，不需要估计。 - 潜在生存时间 \( T_i \) 和删失时间 \( C_i \) 的联合分布 —— 需要假设独立删失（即 \( T_i \perp C_i \mid \mathbf{x}_i \)），这是 Cox 模型的标准假设。

第二步：讲最小内核

本文的核心思路是 BASIL 框架从线性模型到 Cox 模型的推广。为了看清这个推广的本质，我们考虑一个最简特例：假设只有两个正则化参数 \( \lambda_1 > \lambda_2 \)（即 Lasso 路径只有两步），且特征数 \( p \) 极大（无法全部载入内存）。

最简特例下的问题： 给定 \( \lambda_1 \)（较大的惩罚），我们希望求解：

\[\hat{\beta}(\lambda_1) = \arg\min_\beta \left[ -\ell(\beta) + \lambda_1 \|\beta\|_1 \right]\]
然后以 \( \hat{\beta}(\lambda_1) \) 为 warm start，求解 \( \lambda_2 \) 下的解 \( \hat{\beta}(\lambda_2) \)。

经典方法（glmnet）： 1. 将整个 \( \mathbf{X} \) 载入内存。 2. 对每个 \( \lambda \)，用坐标下降迭代所有 \( p \) 个特征，直到收敛。 3. 当 \( p \) 极大时，每次迭代扫描 \( p \) 个特征的计算量是 \( O(np) \)，且内存无法容纳 \( \mathbf{X} \)。

BASIL 方法的核心想法： 1. 筛选步骤：在求解 \( \lambda_1 \) 之前，先计算每个特征 \( j \) 的边际得分统计量：

\[S_j = \left| \frac{\partial \ell(\beta)}{\partial \beta_j} \Big|_{\beta=0} \right| = \left| \sum_{i: \delta_i=1} \left[ x_{ij} - \frac{\sum_{k \in \mathcal{R}(Y_i)} x_{kj} \exp(\mathbf{x}_k^\top 0)}{\sum_{k \in \mathcal{R}(Y_i)} \exp(\mathbf{x}_k^\top 0)} \right] \right|\]
在 \( \beta=0 \) 时，\( \exp(\mathbf{x}_k^\top 0) = 1 \)，所以：
\[S_j = \left| \sum_{i: \delta_i=1} \left[ x_{ij} - \frac{1}{|\mathcal{R}(Y_i)|} \sum_{k \in \mathcal{R}(Y_i)} x_{kj} \right] \right|\]
这实际上是每个事件时间点，特征 \( j \) 的个体值与风险集均值的偏差之和。直观：\( S_j \) 越大，特征 \( j \) 与生存时间的边际关联越强。

  1. 筛选规则：只保留 \( S_j \) 最大的前 \( m \) 个特征（\( m \) 是预设的 batch size，如 1000），其余特征暂时视为系数为零。

  2. 求解步骤：在筛选后的 \( m \) 个特征上，用坐标下降求解 Lasso 路径（从 \( \lambda_1 \) 到 \( \lambda_2 \)）。此时设计矩阵只有 \( n \times m \) 维，可以载入内存。

  3. 检查步骤：求解完成后，用当前系数估计 \( \hat{\beta} \) 计算所有 \( p \) 个特征的得分统计量 \( S_j(\hat{\beta}) \)。如果某个未被筛选的特征的得分超过阈值（如 \( \lambda_2 \)），说明它可能被遗漏，将其加入筛选集，重新求解。

  4. 迭代：重复步骤 2-4，直到没有新特征被加入。

为什么这个特例能体现核心思路： - 在 \( \beta=0 \) 时，得分统计量 \( S_j \) 的计算只需要一次全数据扫描（计算每个风险集的均值），之后就可以丢弃全数据，只保留筛选后的子集。 - 检查步骤也只需要一次全数据扫描（计算所有特征的得分），但这一步的计算量是 \( O(np) \)，与经典方法相同。关键差异：检查步骤只在筛选集收敛后才执行一次，而不是每次坐标下降迭代都扫描全数据。如果筛选集足够小（\( m \ll p \)），且迭代次数少，总计算量远小于经典方法。

这个特例下要证的命题： 在什么条件下，筛选步骤不会遗漏真实非零特征？即：如果真实模型只有 \( s \) 个非零特征（\( s \ll p \)），那么以高概率，这 \( s \) 个特征都出现在前 \( m \) 个最大 \( S_j \) 中。这需要边际得分与真实系数的相关性足够强（类似于线性模型下的 irrepresentable condition 的边际版本）。本文没有证明这个命题，而是依赖 BASIL 在 GLM 下的经验成功。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：如何在大规模、超高维 Cox 模型上高效求解 Lasso 路径，使得算法能在内存受限（如 UK Biobank 数据）的情况下运行。
  2. 核心工具 / 方法：将 Batch Screening Iterative Lasso (BASIL) 框架从广义线性模型推广到 Cox 比例风险模型，核心创新是将筛选准则从线性残差相关性改为偏似然得分统计量，并设计了相应的迭代算法。
  3. 主要结论：在 UK Biobank 的 306 种疾病结局上，算法能在数小时内输出完整 Lasso 路径（而 glmnet 因内存限制无法运行），且筛选出的变量在预测性能（C-index）上与全数据 Lasso 解相当。

关键设定与假设

完整设定（在第二节最小记号基础上补充）： - 数据规模：\( n \approx 500,000 \)，\( p \) 可达数百万（基因型 SNP 位点）。 - 内存限制：设计矩阵 \( \mathbf{X} \) 无法全部载入内存（例如 50 万 × 500 万 = 2.5 万亿个元素，即使以 1 字节/元素存储也需要 2.5 TB）。 - 数据存储：特征以分块二进制格式存储在磁盘上（PLINK2 的 .pgen 格式），每次只读取需要的特征块。

关键假设（与标准 Cox 模型相同，无额外假设）： - 独立删失：\( T_i \perp C_i \mid \mathbf{x}_i \)。 - 比例风险：风险比 \( h_i(t)/h_j(t) \) 不随时间变化。 - 无 ties：假设没有同时发生的事件（或使用 Breslow 近似处理 ties）。 - 特征标准化：每个特征被标准化为均值为 0、方差为 1（这是 Lasso 的标准预处理，但本文在筛选步骤中使用了未标准化的原始得分，见下文技术细节）。

相比已有文献的放宽或强化： - 放宽：相比 glmnet，本文不要求全数据在内存中。 - 强化：相比原始 BASIL（Qian et al. 2019），本文需要处理 Cox 模型的非线性偏似然，筛选准则从线性残差改为得分统计量，且需要处理风险集的计算（涉及所有样本的排序）。

主要结果

本文是纯计算方法论文，没有理论定理。主要结果来自模拟实验和 UK Biobank 真实数据分析。

模拟实验（论文 Section 4）： - 设定：生成 \( n=1000 \) 或 5000，\( p=1000 \) 或 10000 的生存数据，真实非零特征数 \( s=10 \) 或 20。比较 BASIL-Cox 与 glmnet（当数据可载入内存时）的 Lasso 路径一致性。 - 核心量化结论： - BASIL-Cox 输出的 Lasso 路径与 glmnet 的路径几乎完全重合（系数估计的相关系数 > 0.99）。 - 计算时间：当 \( p=10000, n=5000 \) 时，BASIL-Cox 比 glmnet 快约 5-10 倍（具体数字取决于 batch size 和迭代次数）。 - 筛选一致性：在模拟中，BASIL 从未遗漏真实非零特征（即所有真实特征都在最终筛选集中）。

UK Biobank 真实数据（论文 Section 5）： - 数据：约 50 万个体，约 800 万个 SNP 位点（经过 QC 后约 600 万），306 种疾病结局（ICD10 编码）。 - 方法应用：对每种疾病结局，运行 BASIL-Cox 求解 Lasso 路径，使用 5 折交叉验证选择最优 \( \lambda \)。 - 结果： - 算法在 2-4 小时内完成一种疾病的分析（使用 16 核 CPU，内存 64 GB）。 - 筛选出的 SNP 数量从几十到几百不等（取决于疾病的遗传度）。 - 预测性能（C-index）与单变量检验（PLINK2 的 Cox 回归）相比，多变量 Lasso 模型有显著提升（平均 C-index 从 0.55 提升到 0.65，具体因疾病而异）。 - 作者还展示了跨疾病共享 SNP 的分析：某些 SNP 与多种疾病相关（如 MHC 区域的 SNP 与多种自身免疫疾病）。

与 baseline 对比： - baseline 1：单变量检验（PLINK2 的 Cox 回归）—— 对每个 SNP 单独做 Cox 回归，用 Bonferroni 校正。结果：单变量检验选出的 SNP 数量远多于 Lasso（因为多重比较膨胀），但预测性能低于 Lasso。 - baseline 2：glmnet —— 无法运行（内存不足）。 - baseline 3：随机筛选 —— 随机选择等量 SNP 做 Lasso，预测性能显著低于 BASIL 筛选。

证明路线与技术技巧

本文没有证明，只有算法描述和实验验证。因此“证明路线”不适用，改为“算法路线”。

算法路线（3-5 步逻辑主干）：

  1. 初始化：设置 Lasso 路径的 \( \lambda \) 序列（从大到小，共 \( K \) 个值）。从 \( \lambda_1 \)（最大惩罚，所有系数为零）开始。
  2. 筛选步骤（Screening）：
  3. 在当前系数 \( \hat{\beta} \) 下，计算所有 \( p \) 个特征的边际得分统计量：
    \[S_j = \left| \frac{\partial \ell(\beta)}{\partial \beta_j} \Big|_{\beta=\hat{\beta}} \right|\]
  4. 选择 \( S_j \) 最大的前 \( m \) 个特征（\( m \) 是预设的 batch size，如 1000），加入活跃集 \( \mathcal{A} \)。
  5. 关键技巧：得分统计量的计算只需要一次全数据扫描（计算每个风险集的加权均值），但这一步是 \( O(np) \) 的。为了减少全数据扫描次数，作者在筛选步骤中使用了近似得分：只使用当前风险集的一个子集（如随机采样 10% 的事件时间点）来估计得分。这引入了近似误差，但实验表明对最终结果影响很小。
  6. 求解步骤（Fitting）：
  7. 在活跃集 \( \mathcal{A} \) 上（特征数 \( m \ll p \)），用坐标下降法求解 Lasso 路径（从当前 \( \lambda \) 到下一个 \( \lambda \)）。
  8. 由于 \( m \) 很小，设计矩阵 \( \mathbf{X}_{\mathcal{A}} \) 可以载入内存，坐标下降的每次迭代只扫描 \( m \) 个特征。
  9. 检查步骤（Checking）：
  10. 求解完成后，用当前系数 \( \hat{\beta}_{\mathcal{A}} \) 计算所有 \( p \) 个特征的得分统计量 \( S_j \)。
  11. 如果存在 \( j \notin \mathcal{A} \) 使得 \( S_j > \lambda \)（当前正则化参数），说明该特征可能被遗漏，将其加入 \( \mathcal{A} \)，回到步骤 3。
  12. 关键跳跃点：检查步骤的阈值为什么是 \( \lambda \)？这是 Lasso 的 KKT 条件：在最优解处，所有特征的得分绝对值必须小于等于 \( \lambda \)。如果某个特征的得分大于 \( \lambda \)，说明它不满足 KKT 条件，即当前解不是全局最优。因此，检查步骤本质上是验证 KKT 条件。
  13. 迭代：重复步骤 2-4，直到所有 \( K \) 个 \( \lambda \) 都被求解，且没有新特征被加入。

关键跳跃点： - 从线性残差到 Cox 得分：在线性模型中，BASIL 的筛选准则基于残差与特征的边际相关性 \( |\mathbf{X}^\top (\mathbf{y} - \mathbf{X}\hat{\beta})| \)。在 Cox 模型中，对应的量是偏似然得分 \( |\partial \ell(\beta)/\partial \beta_j| \)。作者将这一推广称为“自然的”，但实际实现中需要高效计算得分（涉及风险集的加权均值）。 - KKT 条件作为检查准则：这是 BASIL 框架的核心洞察——检查步骤不是启发式的，而是基于 Lasso 的 KKT 条件。如果检查通过，则当前解就是全局最优（在筛选集上）。这保证了算法的精确性（与全数据 Lasso 解一致），只要筛选集包含所有非零特征。

技术技巧点名： - 近似得分计算：使用随机采样的风险集子集来估计得分，减少全数据扫描次数。 - Warm start：用前一个 \( \lambda \) 的解作为当前 \( \lambda \) 的初始值，加速坐标下降收敛。 - 分块读取：利用 PLINK2 的 .pgen 格式，按需读取特征块，避免全数据载入内存。 - 并行计算：在筛选步骤中，不同特征的得分可以并行计算（因为得分是特征独立的）。

真实例子与应用

数据：UK Biobank，约 50 万个体，约 600 万 SNP 位点，306 种疾病结局（ICD10 编码）。生存时间定义为首次诊断时间或删失时间。

方法应用： 1. 对每种疾病，运行 BASIL-Cox 求解 Lasso 路径（\( \lambda \) 序列从大到小，共 100 个值）。 2. 使用 5 折交叉验证选择最优 \( \lambda \)（基于 C-index 或验证偏差）。 3. 输出最优 \( \lambda \) 下的非零 SNP 集合。

结果： - 算法在 2-4 小时内完成一种疾病的分析（16 核 CPU，64 GB 内存）。 - 筛选出的 SNP 数量：对于高遗传度疾病（如 2 型糖尿病），约 200-500 个 SNP；对于低遗传度疾病（如某些癌症），约 10-50 个 SNP。 - 预测性能：多变量 Lasso 模型的 C-index 比单变量检验模型平均高 0.1（从 0.55 到 0.65）。 - 跨疾病分析：作者发现某些 SNP（如 MHC 区域的 rs9273363）与多种自身免疫疾病相关，验证了已知的遗传学知识。

这个例子想说明什么： - 验证可扩展性：算法能在 UK Biobank 规模的数据上运行，而 glmnet 不能。 - 验证实用性：筛选出的 SNP 具有生物学意义（与已知 GWAS 结果一致），且多变量模型优于单变量模型。 - 验证效率：2-4 小时的计算时间对于大规模遗传分析是可接受的。

🔎 结论是否比证明窄

是。本文的结论（“算法能高效求解 Lasso 路径”）是基于实验验证的，但没有理论保证。具体来说： - 筛选一致性：作者没有证明筛选步骤以高概率包含所有真实非零特征。在模拟中，所有真实特征都被筛选到，但这是在小规模模拟（\( p=10000 \)）下，且真实特征有强边际效应。在 UK Biobank 数据中，无法验证是否遗漏了真实特征（因为不知道真实模型）。 - 近似得分的影响：作者使用随机采样的风险集子集来估计得分，但没有分析近似误差对筛选结果的影响。理论上，近似得分可能导致遗漏重要特征。 - 收敛性：算法保证在有限步内停止（因为每次迭代至少加入一个新特征，而特征总数有限），但没有给出迭代次数的上界。在最坏情况下，可能需要 \( p \) 次迭代（每次只加入一个特征），此时计算量退化为 \( O(np^2) \)。

作者在论文中明确承认（Section 6, Discussion）：“The theoretical properties of the screening procedure for the Cox model are not established in this work, and we leave them for future research.” —— 这是诚实的表述，但读者需要注意：本文的结论（“算法有效”）是经验性的，不是理论性的。

四、开放问题（点到为止，扎根具体语句）

  1. 筛选一致性的理论证明：在 Cox 模型下，需要什么条件（如边际得分与真实系数的相关性界、特征协方差矩阵的稀疏性）才能保证 BASIL 筛选以高概率包含所有真实非零特征？扎根于论文 Section 6：“The theoretical properties of the screening procedure for the Cox model are not established in this work.”

  2. 近似得分误差的统计影响：使用随机采样的风险集子集估计得分，会引入多少近似误差？这个误差如何影响筛选的准确性？扎根于论文 Section 3.2：“To reduce the computational cost of the screening step, we use a random subset of the risk sets to approximate the score statistics.”

  3. 迭代次数的上界：在最坏情况下，BASIL 需要多少次迭代才能收敛？是否存在一个与 \( p \) 和 \( s \)（真实非零特征数）相关的上界？扎根于论文 Section 3.3：“The algorithm terminates in a finite number of steps because each iteration adds at least one new feature to the active set.”

  4. 扩展到其他生存模型：能否将 BASIL 框架推广到竞争风险模型（Fine-Gray 模型）或时变系数 Cox 模型？扎根于论文 Section 6：“Extensions to other survival models, such as the competing risks model, are of interest.”

提醒：要确认第 1 条是否是真 gap，建议去读 Fan & Lv (2008) 的 Sure Independence Screening 理论，以及后续的迭代筛选理论（如 ISIS）。如果这些理论在 Cox 模型下已有结果，则本文的 gap 可能已被填补；如果没有，则这是一个值得做的理论问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论