生存分析中的Cox Loss：从偏似然到深度学习实现

1. 生存分析里的建模目标：为什么偏要造一个"Cox loss"

我最早接触 Cox loss，是在做客户流失预测的时候。当时团队要做的不只是"判断哪些用户会走"，而是"预测用户多久之后会走"，因为续费提醒、挽留策略的投放时机，全依赖那个时间点。试了一圈常规分类模型，发现都不对劲：训练数据里有一大批用户，观察期结束还没流失，你没法给他们标一个确切的流失时间，但直接丢掉又太浪费。查了一圈资料，才发现这类问题有个正经名字叫生存分析，而 Cox 比例风险模型就是其中最常用的武器，所谓的 Cox loss，正是训练这个模型时用的损失函数。

先说清楚一个容易混淆的点：Cox loss 不是一个"损失函数"的名字，而是Cox 比例风险模型采用负对数偏似然（negative log partial likelihood）作为优化目标时的叫法。在传统统计软件里，你可能没见过"loss"这种说法，大家习惯叫"偏似然最大化"；但到了深度学习时代，所有东西都要变成可微分的损失函数，Cox loss 这个叫法就自然流传开了。

它的核心用途，是拟合下面这个风险函数：

$$h(t|x) = h_0(t) \cdot \exp(f(x))$$

其中 $h(t|x)$ 表示特征为 $x$ 的个体在时刻 $t$ 的瞬时风险，$h_0(t)$ 是基线风险函数，与特征无关，只随时间变化；而 $f(x)$ 是我们真正关心的部分——它把原始特征映射成一个线性组合或者神经网络输出。Cox 模型的巧妙之处在于，它不关心 $h_0(t)$ 长什么样，只估计 $f(x)$ 那一部分，所以它属于半参数模型。

这种设计带来的直接好处是：你不需要对生存时间分布做任何假设（不需要猜它是指数分布还是 Weibull 分布），只需要假设不同个体之间的风险是成比例的，也就是任意两个个体 $i$ 和 $j$，在任意时刻 $t$，它们的风险比 $\frac{h(t|x_i)}{h(t|x_j)}$ 是常数，不随时间变化。这个假设是所有 Cox 模型应用的前提，模型效果崩了的时候，第一个要怀疑的就是它。

那损失函数怎么构造呢？核心思路是：我们不知道基线风险，但可以绕过它，通过比较同一时刻"谁先出事、谁还没出事"来估计参数。这就是偏似然的核心思想——只用"事件发生的顺序"来拟合，不需要精确的时间分布。

2. 偏似然损失公式拆解：从风险集到负对数

Cox loss 的公式看起来不长，但每个符号背后都有具体的统计含义。先把完整的负对数偏似然写出来：

$$L(\theta) = -\sum_{i: \delta_i = 1} \left[ f(x_i) - \log \sum_{j \in R(t_i)} \exp(f(x_j)) \right]$$

看着有点吓人，拆开就清楚了。这里的符号约定是：

• $x_i$：第 $i$ 个样本的特征向量
• $t_i$：第 $i$ 个样本的观测时间（可能是事件发生时间，也可能是删失时间）
• $\delta_i$：事件指示符，$\delta_i = 1$ 表示观测到了事件发生，$\delta_i = 0$ 表示右删失（只观测到"到某个时间还没发生"）
• $f(x_i)$：模型输出的风险评分（log-risk），可以是线性回归的结果，也可以是神经网络最后一层的输出
• $R(t_i)$：风险集（risk set），指在时间 $t_i$ 时刻仍然"存活"（未被删失、未发生事件）的所有样本的集合

2.1 为什么只看"发生事件"的样本

注意求和符号下面的条件 $\delta_i = 1$——只有真正发生了事件的样本才会进入损失计算。删失样本不直接参与分子，但它们会出现在分母的风险集里。

举个例子，假设有 5 个病人，观察期内 3 人死亡、2 人失访（删失）。第一个人在第 10 天死亡，那么在他死亡的那一刻，风险集里包含所有在第 10 天还没死的病人——包括后来在第 20 天、第 30 天死亡的那两位，也包括到最后都没死的删失样本。这个时刻的信息是："第 10 天，有一堆人还活着，但偏偏是这个人死了，为什么？"

这就是 Cox 模型的建模逻辑——它不预测绝对风险，而是预测相对风险排序。谁会在哪个时刻出事不重要，重要的是"在某个时刻，出事的是不是你"。

2.2 分子分母的含义：个体风险 vs 群体风险

分子 $\exp(f(x_i))$ 表示第 $i$ 个样本在当前时刻的"风险强度"；分母 $\sum_{j \in R(t_i)} \exp(f(x_j))$ 表示风险集里所有样本的风险强度之和。两者相除，得到的是"在 $t_i$ 时刻，第 $i$ 个样本出事在所有可能出事的人当中所占的比例"。

模型的优化目标很直接：让这个比例尽量大。也就是说，发生在 $t_i$ 时刻的事件，我们希望模型预测"就是这个人最该出事"，而不是别人。把所有事件时刻的这个比例乘起来，就是偏似然函数；取负对数，就变成求和形式的损失，方便梯度下降。

2.3 为什么取负对数

取负对数有三个实际理由。第一，事件概率是大量小数连乘，数值下溢到零是家常便饭，取对数能把乘法变加法；第二，优化器习惯最小化损失，加个负号把最大化问题转成最小化；第三，对数里恰好出现"log-sum-exp"结构，这在数值计算上有稳定的实现方式。

如果你手推一下梯度就会发现，这个损失函数的梯度有一个很优雅的解释：损失对 $f(x_i)$ 的梯度，等于"预测的风险比例"减去"实际的事件指示"：

$$\frac{\partial L}{\partial f(x_i)} = \frac{\exp(f(x_i))}{\sum_{j \in R(t_i)} \exp(f(x_j))} - \delta_i$$

这个式子（对事件样本）的含义是：如果模型认为这个样本出事概率占风险集的 40%（预测），但实际它的 $\delta_i = 1$（事件确实发生了），说明模型给低了，梯度为正，会往提高 $f(x_i)$ 的方向更新。反过来，如果一个删失样本 $\delta_i = 0$ 但被预测了很高的风险，梯度会让它的分数下降。所以这个损失在隐式地做"排序学习"，不是在做分类，也不是在做回归。

3. 从传统统计到深度学习：Cox loss 的两种落地姿势

Cox 比例风险模型最早是统计学家 David Cox 在 1972 年提出的，当时求解靠 Newton-Raphson 迭代。现在深度学习流行起来之后，Cox loss 被直接接进了神经网络——把 $f(x)$ 从简单的线性组合 $\beta^T x$ 换成多层感知机的输出，就得到了深度生存模型。但这中间的配方差异值得展开说说，因为你用传统工具包习惯了，转到深度框架时很容易踩坑。

3.1 传统统计方式：R 的 survival 包

在 R 里拟合 Cox 模型，核心代码就那么几行：

r复制libr