用于事件预测中的上下文表格基础模型的适配接口

研究人员在 74 个单风险数据集及 4 个竞争风险数据集上，对时间 - 事件预测中的表格基础模型（TabFM）适应接口进行了评估。研究修订了上下文重采样训练流程，并对比了零-shot 推理、基于分类的微调以及生存头适配三种方法。结果显示，CoxPH 在较大数据集的集成布赖尔分数（IBS）上表现最可靠；DeepHit 在时间依赖一致性指数上优于 IBS；而在竞争风险分析中，因果特异性多任务学习（MTLR）排名最高。零-shot 推理在小规模单风险数据集中有效，而监督适应随数据集规模扩大优势增加；分类微调虽随规模增长更具竞争力，但在概率预测上仍较弱。