Kokie giluminio mokymosi požiūriai į išgyvenimo analizę (DeepSurv, DeepHit)?

DeepSurv ir DeepHit yra du populiarūs giluminio mokymosi metodai, skirti išgyvenimo analizei, leidžiantys modeliuoti laiką iki įvykio, atsižvelgiant į cenzūruotus duomenis.

• DeepSurv yra neuroninis tinklas, pagrįstas Cox proporcingų rizikų modeliu. Jis mokomas minimizuoti Cox dalinės tikimybės neigiamą logaritmą, leidžiantį prognozuoti individualią įvykio riziką. DeepSurv yra tinkamas kovariatų įtakos modeliui ir gali atsižvelgti į nelinijines priklausomybes.

• DeepHit yra sudėtingesnis modelis, kuris tiesiogiai modeliuoja išgyvenimo funkciją ir įvykio tikimybę diskrečiuose laiko taškuose. Jis naudoja daugelio užduočių neuroninį tinklą, mokomąsi su sujungta nuostolio funkcija, kuri atsižvelgia į įvykio laiko prognozės tikslumą ir teisingą cenzūruotų duomenų apdorojimą. DeepHit gali modeliuoti konkurencingus rizikos veiksnius ir lankstesnį laiko iki įvykio paskirstymo aprašymą.

Abu metodai leidžia pasinaudoti gilios neuroninės tinklų galimybėmis, įveikiant klasikinių statistinių modelių ribotumus.