Həyat davamiyyəti analizi üçün deep learning yanaşmaları hansılardır (DeepSurv, DeepHit)?

DeepSurv və DeepHit, hadisənin baş vermə vaxtını model etməyə imkan verən və censur edilmiş məlumatları nəzərə alan iki məşhur dərin öyrənmə yanaşmasıdır.

• DeepSurv Cox nisbi risk modelinə əsaslanan neyron şəbəkəsidir. O, Cox-un qismən ehtimallığının mənfi logaritmini minimallaşdırmaq üçün öyrədilir və bu, fərdi hadisə riskini proqnozlaşdırmağa imkan verir. DeepSurv, kovariatların riskə təsirini modelləşdirmək və qeyri-xətti asılılıqları nəzərə almaq üçün uyğundur.

• DeepHit daha mürəkkəb modeldir və birbaşa sağ qalma funksiyasını və hadisənin baş vermə ehtimalını zamanın diskret nöqtələrində modelləşdirir. Bu, çox tapşırıq neyron şəbəkəsindən istifadə edir və hadisə vaxtının proqnozunun dəqiqliyi və censur edilmiş məlumatların düzgün işlənməsini nəzərə alan birləşdirilmiş itki funksiyası ilə öyrədilir. DeepHit rəqabətli riskləri modelləşdirə bilər və hadisəyə qədər olan vaxtın paylanmasını daha çevik şəkildə təsvir edə bilər.

Hər iki yanaşma, dərin neyron şəbəkələrinin gücündən istifadə edərək, klassik statistik modellərin məhdudiyyətlərini aşmağa imkan verir.