Ի՞նչ խորքային ուսուցման մոտեցումներ կան կյանքի վերլուծության համար (DeepSurv, DeepHit)։
sobes.tech AI
Պատասխան AI-ից
DeepSurv և DeepHit — երկու հայտնի խորքային ուսուցման մոտեցումներ են՝ կյանքի վերլուծության համար, որոնք թույլ են տալիս մոդելավորել իրադարձության ժամկետը՝ հաշվի առնելով սենզորացված տվյալները:
-
DeepSurv — Cox-ի հարաբերական ռիսկի մոդելի վրա հիմնված նեյրոնային ցանց է։ Այն ուսուցանվում է նվազեցնելու Cox-ի մասնակի հավանականության բացասական լոգարիթմը, ինչը թույլ է տալիս կանխատեսել անհատական իրադարձության ռիսկը։ DeepSurv-ը հարմար է կովարիատների ազդեցությունը ռիսկի վրա մոդելավորելու համար և կարող է հաշվի առնել ոչ գծային կախվածությունները։
-
DeepHit — ավելի բարդ մոդել է, որը ուղղակիորեն մոդելավորում է կյանքի վերլուծության ֆունկցիան և իրադարձության առաջացման հավանականությունը ժամանակի դիսկրետ կետերում։ Այն օգտագործում է բազմաբաշխական նեյրոնային ցանց, որը ուսուցանվում է համակցված կորուստային ֆունկցիայի միջոցով, որը հաշվի է առնում իրադարձության ժամանակի ճշգրտությունը և սենզորացված տվյալների ճիշտ մշակումը։ DeepHit-ը կարող է մոդելավորել մրցակցող ռիսկերը և ավելի ճկուն կերպով նկարագրել ժամանակի բաշխումը մինչև իրադարձությունը։
Երկուսն էլ մոտեցումները թույլ են տալիս օգտվել խորքային նեյրոնային ցանցերի ուժից՝ անցնելով դասական վիճակագրական մոդելների սահմանափակումները։