Cet article propose une méthode permettant d'introduire une robustesse antagoniste afin d'améliorer les performances des modèles d'analyse de survie (AS) utilisant des réseaux de neurones (NN). Alors que les réseaux de neurones sont utilisés pour surmonter les limites des modèles linéaires généralisés conventionnels, qui ne parviennent souvent pas à capturer des schémas de données complexes, nous proposons une fonction de perte basée sur la régularisation antagoniste pour remédier à la dégradation des performances causée par l'incertitude des données. Nous utilisons la technique CROWN-IBP pour réduire le coût de calcul du problème d'optimisation min-max. Les résultats expérimentaux obtenus avec 10 jeux de données SurvSet démontrent que la méthode proposée (SAWAR) surpasse les méthodes d'apprentissage antagoniste existantes et les modèles d'AS profonds de pointe en termes de métriques NegLL, IBS et CI, avec une amélioration des performances allant jusqu'à 150 % par rapport aux modèles de référence. Cela démontre que la méthode proposée atténue l'incertitude des données et améliore la généralisation sur divers jeux de données.
