SPOT-IC: Improving prediction for interval-censored data via survival probability transfer¶

作者: Jingyi Hu, Yu Gu
主题: 其他
相关性: 6/10
链接: https://arxiv.org/abs/2607.09640

一、领域脉络与小综述¶

这个方向是什么¶

本文所涉子方向为迁移学习（Transfer Learning）在生存分析中的应用，具体针对区间删失数据（Interval-Censored Data）。其根本的统计问题是：当目标研究（target study）样本量小、随访短、删失区间宽时，如何利用来自一个或多个相关源研究（source studies）的辅助信息，提升目标研究中协变量特异性生存函数的预测精度。当前该方向的成熟度较低——大多数迁移学习方法针对右删失数据或线性/广义线性模型开发，针对区间删失数据的迁移学习工作极少，且现有方法在模型灵活性、数据隐私保护和多源鲁棒性方面存在明显缺口。

发展脉络（history）¶

根据论文引言（Section 1）及其参考文献，可将该方向的发展脉络梳理如下：

奠基工作：迁移学习进入统计领域。Cai & Wei (2021) 和 Li et al. (2022) 分别建立了非参数分类和高维线性回归的迁移学习 minimax 理论，奠定了“参数/模型相似性”作为迁移依据的框架。这些工作主要针对完全观测数据或右删失数据，未涉及区间删失。
主要进展：迁移学习进入生存分析。Li et al. (2016) 首次将迁移学习引入生存分析，通过 L2,1-范数正则化共享 Cox 模型参数。Li et al. (2023) 将其推广至允许时变异质性的 Cox 模型。Xie et al. (2024) 进一步将参数迁移方法扩展到区间删失数据（Trans-Cox-MIC）。这些方法的共同特征是：要求目标与源研究共享相同的模型结构（如 Cox 模型）和协变量集，且通常假设基线风险函数相似。作者指出：“parameter-level transfer requires the target and source studies to share the same model structure and covariate set, which can be restrictive in practice”（引言第2段）。
当前 frontier：从参数迁移到信息迁移。Gu et al. (2026) 提出了一种“预测导向”的迁移学习方法，通过转移生存概率而非模型参数，允许任意源模型，且无需个体级源数据。但该方法针对右删失数据开发，且在多源场景下需要同时调优大量参数，扩展性差。作者评价：“their method was developed for right-censored data and scales poorly to multi-source settings due to the need for simultaneous tuning of a large number of parameters”（引言第2段）。
本文的位置：SPOT-IC 将 Gu et al. (2026) 的“生存概率转移”思想从右删失推广到区间删失，并引入 Q-aggregation 实现多源自适应聚合，解决了多源场景下的可扩展性和负迁移鲁棒性问题。作者将其定位为“a novel transfer learning method for interval-censored data by transferring survival probability information from source studies”（摘要）。

子线索聚类¶

这些被引文献大致落在三条子线索上：

参数/模型层面的迁移（Parameter-level transfer）：以 Li et al. (2016, 2023)、Xie et al. (2024)、Lu et al. (2026)、Lou et al. (2026) 为代表。核心思路是对目标与源模型的参数差异施加 Lq 惩罚（q∈[0,2]），促进参数共享。优点：理论成熟，可直接借用高维统计工具。局限：要求模型结构相同、协变量集对齐、基线风险相似，且部分方法需要个体级源数据。
预测/信息层面的迁移（Prediction-level transfer）：以 Gu et al. (2026) 和本文为代表。核心思路是转移源研究的生存概率估计值，而非模型参数。优点：允许任意源模型，无需个体级源数据，对模型异质性鲁棒。局限：目前仅 Gu et al. (2026) 针对右删失，本文首次将其推广至区间删失。
多源自适应聚合（Multi-source adaptive aggregation）：以本文的 Q-aggregation 策略为代表。核心思路是通过数据驱动的方式为多个候选估计器分配权重，自动过滤非信息源。优点：对负迁移鲁棒，调参负担小。局限：目前仅本文在区间删失生存分析中实现。

这个方向在追问的核心问题¶

如何在不共享个体级数据的前提下有效迁移源信息？——隐私保护是实际应用中的硬约束。
如何应对源模型与目标模型结构不一致（模型异质性）？——现有参数迁移方法对此无能为力。
如何自动识别并利用多个源中真正有信息的部分，同时避免负迁移？——多源场景下的鲁棒性。
区间删失数据特有的统计挑战（如非参数似然收敛速率慢、计算复杂）如何与迁移学习结合？——这是本文的核心技术难点。

当前主流方法与已知瓶颈：主流方法（参数迁移）的瓶颈在于对模型相似性的强假设和对个体级数据的依赖；信息迁移方法（Gu et al., 2026）的瓶颈在于仅适用于右删失且多源扩展困难。

⚠️ 作者的 framing¶

作者将缺口 frame 为：“现有方法要么要求模型结构相同（参数迁移），要么仅适用于右删失且多源扩展差（Gu et al., 2026）”。因此，本文的“显然的下一步”是：将生存概率转移思想推广到区间删失数据，并设计可扩展的多源聚合策略。

被淡化或回避的竞争路线： - 作者未深入讨论基于倾向性评分加权或重加权的迁移方法（如 importance weighting），这类方法也可处理分布偏移，但通常需要估计密度比，在高维或区间删失下困难。 - 作者未提及贝叶斯迁移学习或层次模型（hierarchical models）在生存分析中的应用，这些方法天然处理异质性，但计算负担大。

什么明显该被引/该存在、却没出现在 intro 里？ - 关于区间删失数据非参数似然估计的收敛速率，作者引用了 Zeng et al. (2016) 和 Huang (1996)，但未引用 Huang & Wellner (1997) 关于区间删失数据 MLE 收敛速率的经典结果。 - 关于Q-aggregation 的理论基础，作者引用了 Lecué & Rigollet (2014) 和 Dai et al. (2012)，但未引用更早的aggregation theory文献（如 Tsybakov, 2003; Nemirovski, 2000），这些文献建立了 oracle inequalities 的基本框架。 - 关于预测驱动的推断（prediction-powered inference），作者在讨论部分引用了 Angelopoulos et al. (2023, 2024) 和 Zou et al. (2026)，但未在引言中提及，这可能是作者认为该方向与本文核心贡献（迁移学习）有区别。

张力¶

被引工作之间未见明显对立引用。所有被引工作均承认“参数迁移假设过强”这一共识，分歧仅在于如何放松该假设。Gu et al. (2026) 与本文构成直接的方法论延续，而非对立。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号： - \( T_i \)：第 \( i \) 个个体的失败时间（failure time），潜在变量，不可直接观测。 - \( X_i(\cdot) \)：第 \( i \) 个个体的 \( p \) 维协变量过程（可随时间变化），可观测。 - \( \beta \)：\( p \) 维回归系数，待估参数。 - \( \Lambda(\cdot) \)：累积基线风险函数（unspecified nondecreasing function），无穷维参数，待估。 - \( G(\cdot) \)：变换函数（prespecified, strictly increasing），已知。本文采用 frailty-induced log-Laplace 变换：\( G(x) = r^{-1} \log(1 + rx) \)，\( r=0 \) 对应 Cox 模型，\( r=1 \) 对应比例优势模型。 - \( (L_i, R_i] \)：观测到的区间，\( L_i < T_i \leq R_i \)。\( L_i = 0 \) 为左删失，\( R_i = \infty \) 为右删失。这是实际可观测的生存时间信息。 - \( \tilde{Y}_i, \tilde{X}_i \)：用于构造惩罚项的人工数据。\( \tilde{X}_i \) 从目标协变量分布中重抽样得到，\( \tilde{Y}_i \) 从均匀或截断指数分布中抽取。 - \( \check{S}_k(t|X) \)：第 \( k \) 个源研究提供的条件生存函数估计，可来自任意模型，无需个体级数据。 - \( \xi_n \)：调优参数，控制源信息借用程度。 - \( m \)：人工数据样本量（大正整数）。 - \( \eta_k = E\|S_k(t|X) - S_0(t|X)\|^2_{L^2} \)：第 \( k \) 个源与目标真实生存函数之间的分布偏移。 - \( q_k \)：第 \( k \) 个源估计器的收敛速率（如 \( N_k^{-1} \) 或 \( N_k^{-2/3} \)）。

模型：目标研究采用半参数变换模型（semiparametric transformation model）：

\[\Lambda_i(t|X_i) = G\left( \int_0^t \exp\{\beta^\top X_i(s)\} d\Lambda(s) \right),\]

其中 \( G \) 已知，\( \beta \) 和 \( \Lambda \) 待估。该模型通过 frailty 变量 \( z_i \) 可等价表示为：

\[S(t|X_i) = \int \exp\left( -z_i \int_0^t e^{\beta^\top X_i(s)} d\Lambda(s) \right) f(z_i) dz_i,\]

其中 \( z_i \sim \text{Gamma}(1/r, 1/r) \)。

可观测数据： - 目标研究：\( \{(L_i, R_i, X_i(\cdot)) : i=1,\dots,n\} \)。其中 \( (L_i, R_i] \) 是 \( T_i \) 所在区间，由一系列检查时间 \( U_{i,1} < \dots < U_{i,D_i} \) 决定。不可观测的是 \( T_i \) 本身。 - 源研究：仅提供生存函数估计 \( \check{S}_k(t|X) \)，不提供个体级数据。源模型、协变量集、数据删失类型均可任意。 - 人工数据：\( \{(\tilde{Y}_i, \tilde{X}_i) : i=1,\dots,m\} \)，由重抽样生成，用于构造惩罚项。

第二步：最小内核¶

最简特例：单源、单协变量（\( p=1 \)）、Cox 模型（\( r=0 \)，即 \( G(x)=x \)）、目标数据为当前状态数据（current status data，即每个个体仅有一次检查，\( D_i=1 \)，观测到 \( (L_i, R_i] \) 退化为 \( (U_i, \infty] \) 或 \( (0, U_i] \)）。

在这个特例下： - 目标模型退化为：\( S(t|X) = \exp\left( -\Lambda_0(t) e^{\beta X} \right) \)，其中 \( \Lambda_0(t) = \int_0^t d\Lambda(s) \)。 - 可观测数据：\( \{(U_i, \delta_i, X_i) : i=1,\dots,n\} \)，其中 \( \delta_i = I(T_i \leq U_i) \)（1=左删失，0=右删失）。 - 源提供 \( \check{S}(t|X) \)，例如来自一个大型右删失研究的 Cox 模型估计。

核心思路：SPOT-IC 的目标是估计 \( S(t|X) \)。它不直接借用源参数，而是通过一个交叉熵惩罚项，鼓励目标生存函数 \( S(t|X) \) 接近源估计 \( \check{S}(t|X) \)：

\[\psi_m(\beta, \Lambda) = \frac{1}{m} \sum_{i=1}^m \left[ \check{S}(\tilde{Y}_i|\tilde{X}_i) \log S(\tilde{Y}_i|\tilde{X}_i) + (1 - \check{S}(\tilde{Y}_i|\tilde{X}_i)) \log(1 - S(\tilde{Y}_i|\tilde{X}_i)) \right].\]

当 \( S = \check{S} \) 时，\( \psi_m \) 达到全局最大（因为交叉熵在分布匹配时最大）。因此，最大化带惩罚的似然：

\[(\hat{\beta}, \hat{\Lambda}) = \arg\max_{(\beta, \Lambda)} \left\{ n^{-1} \log L_n(\beta, \Lambda) + \xi_n \psi_m(\beta, \Lambda) \right\}\]

等价于在目标似然和源信息之间做权衡。

为什么这个特例能体现核心数学困难？ - 即使在这个最简设定下，区间删失数据的非参数似然估计（无惩罚）的收敛速率是 \( n^{-2/3} \)（Huang, 1996），慢于右删失的 \( n^{-1/2} \)。加入惩罚后，需要证明：当源信息足够好（\( \eta_k + q_k = o(n^{-2/3}) \)）时，估计速率可提升至 \( n^{-2/3} \land (\eta_k + q_k) \)，即源信息可以“突破”区间删失的固有速率瓶颈。 - 证明的关键在于：惩罚项 \( \psi_m \) 的引入如何改变目标函数的曲率，以及如何控制惩罚项带来的偏差（当源与目标分布不同时）。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：针对区间删失数据，提出一种迁移学习方法 SPOT-IC，通过转移源研究的生存概率信息来提升目标研究的预测精度，并处理多源场景下的负迁移问题。
核心工具/方法：采用交叉熵惩罚项将源生存概率信息融入目标半参数变换模型的非参数最大似然估计（NPMLE）中，并通过 EM 算法高效求解；多源场景下，通过 Q-aggregation 自适应组合候选估计器。
主要结论：理论证明，只要至少一个源估计器足够准确（\( \eta_k + q_k = o(n^{-2/3}) \)），SPOT-IC 的收敛速率优于仅用目标数据的基准速率 \( n^{-2/3} \)；多源聚合估计器达到最佳候选估计器的速率（至多差 \( O_p(n^{-1}) \)）。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

目标模型：半参数变换模型（式1），\( G \) 由 frailty 诱导（gamma frailty），涵盖 Cox 和比例优势模型。
删失机制：混合区间删失（mixed-case interval censoring），允许每个个体的检查次数和检查时间不同。假设检查过程与失败时间条件独立于协变量（Condition 3）。
源信息：仅提供生存函数估计 \( \check{S}_k(t|X) \)，可来自任意模型、任意数据类型。源估计器的收敛速率 \( q_k \) 由 Condition 5 控制（\( E\|\check{S}_k - S_k\|^2_{L^2} \leq O_p(q_k) \)）。
分布偏移：\( \eta_k = E\|S_k - S_0\|^2_{L^2} \) 度量源与目标真实生存函数之间的差异。
调优参数：\( \xi_n \to \xi \in [0, \infty] \)。\( \xi = 0 \) 退化为目标仅用；\( \xi = \infty \) 时惩罚项主导，目标函数退化为仅匹配源估计。
正则性条件：Condition 1-4 是区间删失数据半参数模型的常规条件（Zeng et al., 2016, 2017），包括 \( \beta_0 \) 在紧集内、\( \Lambda_0 \) 光滑、协变量过程光滑、检查时间间隔有正下界等。Condition 6 保证惩罚项有界。Condition 7 是极限目标函数的可识别性条件。

相比已有文献的放宽/强化： - 放宽：相比参数迁移方法（Li et al., 2023; Xie et al., 2024），不要求模型结构相同、协变量对齐、基线风险相似。 - 强化：相比 Gu et al. (2026) 的右删失方法，本文需处理区间删失数据非参数似然的慢收敛速率（\( n^{-2/3} \) vs \( n^{-1/2} \)），以及惩罚项与似然项在无穷维参数空间中的交互。

主要结果¶

定理 1（单源估计器的收敛速率）：在 Condition 1-7 下，若 \( \xi_n \to \xi \)，则

\[E\|\hat{S}_k(t|X) - S_0(t|X)\|^2_{L^2} \leq \begin{cases} O_p\left( n^{-2/3} + \xi_n^{4/3} m^{-2/3} + (\xi_n - \xi)^2 + \xi(\eta_k + q_k) \right), & \xi < \infty, \\ O_p\left( \xi_n^{-4/3} n^{-2/3} + \xi_n^{-2} + m^{-2/3} + \eta_k + q_k \right), & \xi = \infty. \end{cases}\]

- 直觉：速率由三部分构成：目标似然贡献（\( n^{-2/3} \)）、惩罚项误差（\( m^{-2/3} \) 和 \( (\xi_n - \xi)^2 \)）、源偏差（\( \eta_k + q_k \)）。当 \( \xi \) 有限时，源偏差项乘以 \( \xi \)；当 \( \xi = \infty \) 时，惩罚项主导，目标似然贡献被衰减（\( \xi_n^{-4/3} n^{-2/3} \)）。 - 必要条件：\( m \) 需足够大（最终 \( m \to \infty \)），\( \xi_n \) 需适当选择。 - 解决的技术难点：区间删失似然和惩罚项可能无界，需通过凸组合和 Hellinger 距离建立 Donsker 性质；\( \xi = \infty \) 时标准 M-估计理论不适用，需分析极限目标函数的波动。

定理 2（最优收敛速率与调优参数选择）：在 Condition 1-7 下，最优速率为

\[E\|\hat{S}_k(t|X) - S_0(t|X)\|^2_{L^2} \leq O_p\left( n^{-2/3} \land (\eta_k + q_k) \right).\]

- 直觉：当源信息足够好（\( \eta_k + q_k = o(n^{-2/3}) \)）时，速率由源信息主导，优于目标仅用的 \( n^{-2/3} \)；否则退化为目标仅用速率。 - 调优参数选择：给出了 \( \xi_n^{\text{opt}} \) 的理论形式，依赖于 \( \check{S}_k \) 与目标仅用估计器 \( \hat{S}_0 \) 的差异。

定理 3（多源聚合估计器的收敛速率）：在 Condition 1-7 下，

\[E\|\hat{S}_{\hat{\theta}}(t|X) - S_0(t|X)\|^2_{L^2} \leq O_p\left( n^{-2/3} \land \left( \min_{1 \leq k \leq K} (\eta_k + q_k) + n^{-1} \right) \right).\]

- 直觉：聚合估计器达到最佳候选估计器的速率（至多差 \( O_p(n^{-1}) \)），因此只要至少一个候选估计器优于目标仅用，聚合估计器就优于目标仅用。 - 技术难点：现有 Q-aggregation 的 oracle inequality 不直接给出估计误差界，需通过 Banach 空间上的范数等价性建立新论证。

证明路线与技术技巧¶

整体路线（以定理 1 为例）： 1. 误差分解：将 \( \|\hat{S}_k - S_0\|^2_{L^2} \) 分解为 \( \|\hat{S}_k - S^*\|^2_{L^2} + \|S^* - S_0\|^2_{L^2} \)，其中 \( S^* \) 是极限目标函数（\( \xi_n \to \xi \) 时的极限）的唯一最大化子（Condition 7）。 2. 控制 \( \|S^* - S_0\|^2_{L^2} \)：通过分析极限目标函数在 \( S_0 \) 处的行为，证明该偏差由源偏差 \( \eta_k + q_k \) 和调优参数 \( \xi \) 控制。 3. 控制 \( \|\hat{S}_k - S^*\|^2_{L^2} \)：这是核心。将有限样本目标函数在 \( S^* \) 处展开，利用经验过程理论（Donsker 性质）控制随机波动，再通过 Hellinger 距离与 \( L^2 \) 距离的等价性得到速率。 4. 处理 \( \xi = \infty \) 的特殊情况：此时极限目标函数仅为惩罚项，\( S^* \) 不一定等于 \( \check{S}_k \)。需分析惩罚项在 \( \check{S}_k \) 附近的波动，建立 \( \|S^* - \check{S}_k\|^2_{L^2} \) 的上界，再通过三角不等式得到 \( \|S^* - S_0\|^2_{L^2} \)。

关键跳跃点： - 区间删失似然的无界性：标准经验过程理论要求函数类有界。本文通过考虑似然贡献的凸组合（在任意 \( (\beta, \Lambda) \) 和 \( (\beta^*, \Lambda^*) \) 之间插值），构造有界函数类，再通过 Fatou 引理建立一致性。 - \( \xi = \infty \) 时的 M-估计：此时目标函数退化为 \( \tilde{P}_m \psi(\beta, \Lambda) \)，其最大化子 \( S^* \) 不一定等于 \( \check{S}_k \)。本文通过分析 \( \tilde{P}_m \psi \) 在 \( \check{S}_k \) 附近的二阶展开，证明 \( \|S^* - \check{S}_k\|^2_{L^2} \) 由 \( \check{S}_k \) 的估计误差 \( q_k \) 控制，从而将问题转化为标准 M-估计。

技术技巧点名： - 经验过程理论（Empirical Process Theory）：用于控制随机波动，建立 Donsker 性质（通过凸组合构造有界函数类）。 - Hellinger 距离：用于建立一致性（Fatou 引理）和收敛速率（Hellinger 距离与 \( L^2 \) 距离的等价性）。 - Poisson 数据增广（Poisson Data Augmentation）：将区间删失似然转化为潜 Poisson 变量的似然，使 EM 算法可行（Zeng et al., 2016 的推广）。 - Q-aggregation：用于多源自适应聚合，其 oracle inequality 通过熵惩罚和凸优化实现（Lecué & Rigollet, 2014）。 - Banach 空间范数等价性：用于将 Q-aggregation 的预测风险界转化为估计误差界（定理 3 的新论证）。

真实例子与应用¶

数据：阿尔茨海默病神经影像学倡议（ADNI）数据。目标人群为所有 ADNI 阶段中的非白人族裔 MCI 患者（\( n=152 \)），源人群为白人族裔 MCI 患者（单源：所有阶段合并，\( n=932 \)；多源：ADNI1 和 ADNI2 分别作为两个源，\( n=337 \) 和 \( n=433 \)）。结局为从入组到 AD 发病的时间（区间删失）。协变量：年龄、性别、教育年限、APOE-ε4 等位基因数。

方法应用： - 单源分析：将 SPOT-IC 与目标仅用、合并数据、Trans-Cox-Lasso、Trans-Cox-MIC 比较。目标模型采用 Cox 模型（经检验验证）。源模型通过 AIC 选择最优变换参数。SPOT-IC 的 \( \xi_n \) 通过 5 折交叉验证选择。 - 多源分析：将 SPOT-IC 与目标仅用、Naive-SPOT-IC（等权平均）、MAE、TSDE 比较。ADNI2 源与目标生存模式相似（信息源），ADNI1 源发病更早（非信息源）。

结果： - 单源（Table 2）：SPOT-IC 的 IBS=0.103（目标仅用 0.157），NLL=13.148（目标仅用 19.692），接近最佳方法（Combined 的 IBS=0.101，Trans-Cox-MIC 的 NLL=12.672）。 - 多源（Table 3）：SPOT-IC 的 IBS=0.109（目标仅用 0.157），NLL=12.594（目标仅用 19.692），优于所有非 Oracle 方法。

这个例子想说明什么： - 验证了 SPOT-IC 在真实数据中能显著提升预测精度（IBS 降低约 30-50%）。 - 展示了 SPOT-IC 对模型异质性的鲁棒性（源模型为变换模型，目标为 Cox 模型，无需对齐）。 - 多源分析中，SPOT-IC 能自动识别信息源（ADNI2）并赋予更高权重，优于等权平均（Naive-SPOT-IC）和参数迁移方法（MAE, TSDE）。

🔎 结论是否比证明窄¶

定理 2 的最优速率：证明中给出的最优速率 \( n^{-2/3} \land (\eta_k + q_k) \) 是在假设 \( m \to \infty \) 且 \( \xi_n \) 按特定形式选择下成立的。论文未讨论 \( m \) 有限时的有限样本表现，也未给出 \( m \) 的具体选择准则（仅说“large positive integer”）。
定理 3 的聚合速率：证明中假设 \( \xi_\theta \geq C_0 \)（一个正常数），但未给出 \( C_0 \) 的具体值或选择方法。实际应用中通过交叉验证选择 \( \xi_\theta \)，但理论保证仅对足够大的 \( \xi_\theta \) 成立。
Condition 5 的源估计器速率：论文假设 \( E\|\check{S}_k - S_k\|^2_{L^2} \leq O_p(q_k) \)，但未讨论当源估计器不一致（如模型严重误设）时的情况。此时 \( q_k \) 可能不趋于 0，定理 1-3 的结论不再成立。
讨论部分：作者提到“a biased source estimator may still become useful after appropriate calibration”，但本文方法并未实现这种校准，仅将其列为未来方向。

四、开放问题¶

个性化聚合权重：当前 Q-aggregation 的权重对所有目标个体共享。当目标人群存在异质性亚组时，允许亚组特异甚至个体特异的权重可能更优。扎根于：Discussion 第2段：“This may be suboptimal when the target population itself is heterogeneous... it may be more appropriate to allow subgroup-specific or even subject-specific aggregation weights”。
校准偏倚源：当前方法将非信息源直接降权或丢弃。但偏倚的源估计器经适当校准后可能仍有价值。扎根于：Discussion 第3段：“a biased source estimator may still become useful after appropriate calibration to the target distribution... Developing transfer learning methods that can calibrate and debias such predictions is a promising direction for future research”。
有限样本下的调优参数选择：定理 2 给出了 \( \xi_n^{\text{opt}} \) 的理论形式，但依赖于未知量（如 \( \check{S}_k \) 与 \( \hat{S}_0 \) 的差异）。实际中通过交叉验证选择，但交叉验证的理论性质（如是否达到最优速率）未建立。扎根于：Remark 4：“\( \xi_n^{\text{opt}} \) in Theorem 2 may provide guidance for constructing candidate values of \( \xi_n \) in cross-validation”——这暗示理论选择与交叉验证之间的 gap 尚未弥合。
源估计器不一致时的理论：Condition 5 假设源估计器收敛到源真实生存函数 \( S_k \)。若源模型严重误设，\( \check{S}_k \) 可能不收敛到任何固定函数，此时本文的理论框架失效。扎根于：Condition 5 本身，以及论文未讨论模型误设的 robustness。

Maintained by 陈星宇 · Homepage · Source on GitHub