Table 5:

Model comparison under non-proportional hazards for the latency

Scenario	Model	$\pi \left(\mathit{z}\right)$		$S_p\left(t;\mathit{x},\mathit{z}\right)$		$S_p\left(t;\mathit{x}\right)$		AUC
		Bias	MSE	Bias	MSE	Bias	MSE	Train	Test
2	Logit	0.4025	0.2232	0.2343	0.1137	0.0608	0.0103	0.5431	0.5564
	Spline	0.3974	0.1851	0.2550	0.0962	0.0524	0.0091	0.5647	0.5479
	DT	0.1671	0.0465	0.0923	0.0320	0.0434	0.0087	0.9521	0.9377
	SVM	0.3725	0.2357	0.2433	0.1260	0.0461	0.0080	0.9650	0.9620
	NN	0.0806	0.0239	0.0643	0.0142	0.0483	0.0084	0.9826	0.9634
	XGB	0.2940	0.0983	0.1882	0.0511	0.0495	0.0084	0.9813	0.9492
	RF	0.1263	0.0493	0.0916	0.0264	0.0517	0.0090	0.9906	0.9577
3	Logit	0.3037	0.1410	0.1481	0.0566	0.3100	0.1315	0.5741	0.5577
	Spline	0.2023	0.0835	0.1259	0.0375	0.2258	0.0936	0.7874	0.7319
	DT	0.2201	0.1088	0.1202	0.0352	0.2700	0.1389	0.8081	0.7482
	SVM	0.3122	0.1210	0.1474	0.0435	0.3138	0.1721	0.7637	0.7122
	NN	0.2327	0.1332	0.1255	0.0433	0.2963	0.1599	0.7670	0.7259
	XGB	0.2133	0.1040	0.1190	0.0354	0.2780	0.1408	0.8169	0.7592
	RF	0.2157	0.0982	0.1217	0.0340	0.2690	0.1316	0.8374	0.7651
4	Logit	0.3367	0.1873	0.1632	0.0760	0.1171	0.0376	0.5647	0.5463
	Spline	0.2516	0.0985	0.1552	0.0482	0.0949	0.0251	0.6913	0.5976
	DT	0.2410	0.0989	0.1545	0.0503	0.0958	0.0291	0.9276	0.7975
	SVM	0.3662	0.1771	0.2390	0.1029	0.0755	0.0167	0.9402	0.8753
	NN	0.2929	0.1587	0.1797	0.0696	0.1100	0.0323	0.8773	0.7956
	XGB	0.2393	0.0993	0.1528	0.0493	0.0925	0.0230	0.9585	0.8097
	RF	0.2362	0.0900	0.1474	0.0445	0.1030	0.0280	0.9562	0.8134