რა არის ღრმავის სწავლების მიდგომები გადარჩენის ანალიზისთვის (DeepSurv, DeepHit)?

DeepSurv და DeepHit — ეს ორი პოპულარული ღრმა სწავლების მიდგომაა, რომლებიც საშუალებას აძლევენ გადარჩენის ანალიზს, რომელიც მოდელირებს მოვლენამდე დროის ხანგრძლივობას, გათვალისწინებული მონაცემების ჩაკეტვის გათვალისწინებით.

• DeepSurv არის ნეირონული ქსელი, რომელიც დაფუძნებულია Cox-ის პროპორციული რისკის მოდელზე. ის სწავლება ხდება Cox-ის ნაწილობრივი სარწმუნოების ნეგატიური ლოგარითმის მინიმიზაციისთვის, რაც საშუალებას აძლევს ინდივიდუალური მოვლენების რისკის პროგნოზირებას. DeepSurv შესაფერისია კოვარიატების გავლენის მოდელირებისთვის რისკზე და შეუძლია განიხილოს ნეირონული დამოკიდებულებები.

• DeepHit არის უფრო კომპლექსური მოდელი, რომელიც პირდაპირ მოდელირებს გადარჩენის ფუნქციას და მოვლენას დროის დისკრეტულ წერტილებში. ის იყენებს მრავალტასკის ნეირონულ ქსელს, რომელიც ტრენირდება კომბინირებულ დანაკარგის ფუნქციით, რომელიც განიხილავს მოვლენას დროის პროგნოზის სიზუსტეს და სწორად მართავს ჩაკეტილ მონაცემებს. DeepHit შეუძლია კონკურენტული რისკების მოდელირება და უფრო მოქნილი აღწერა დროის განაწილების მოვლენამდე.

ორივე მიდგომა საშუალებას აძლევს გამოიყენოს ღრმა ნეირონული ქსელების ძალა, გადალახოს კლასიკური სტატისტიკური მოდელების შეზღუდვები.