用神经网络估计事件发生时间分布，给出理论收敛速度。
Convergence Rates for Neural-Network Estimation with Current-Status Data
- 采用神经网络逼近方法结合最大似然估计
- 在霍尔德光滑条件下得到显式收敛速率
- 为生存分析中的神经网络推断提供理论依据
当前状态数据是指仅通过指示变量得知事件是否在检查时间前发生。本文研究了一种非参数的神经网络筛法最大似然估计器，用于估计事件时间的条件累积分布函数。在霍尔德光滑性假设下，通过结合修正线性单元神经网络的逼近理论与经验过程分析，建立了明确的收敛速率。该结果为当前状态观测下的神经网络估计及后续推断提供了理论支持。
原文摘要 · Abstract (English)
Current-status data arise when an event time is observed only through an indicator of whether it occurred before an examination time. This paper studies a nonparametric neural-network sieve maximum likelihood estimator of the conditional cumulative distribution function of the event time. Under Hölder smoothness assumptions, we establish an explicit convergence rate by combining approximation theory for rectified linear unit neural networks with empirical-process arguments. This result provides theoretical support for neural-network estimation and subsequent inference under current-status observation.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。