DeepHit
DeepHit হলো প্রতিযোগিতামূলক ঝুঁকির (competing risks) জন্য একটি ডিপ নিউরাল নেটওয়ার্ক ফ্রেমওয়ার্ক, যা সারভাইভাল অ্যানালাইসিস (survival analysis) পদ্ধতিতে ব্যবহৃত হয়। ২০১৮ সালে Lee et al. কর্তৃক প্রবর্তিত এই পদ্ধতিটি DeepSurv-এর একটি সম্প্রসারণ, যা একাধিক পারস্পরিক-একচেটিয়া (mutually exclusive) ঘটনার সংঘটনের পরিস্থিতি পরিচালনা করতে পারে। যেমন, রোগের কারণে মৃত্যু বনাম অন্য কোনো কারণে মৃত্যু। DeepHit ব্যক্তিগত ঝুঁকি পূর্বাভাসের চ্যালেঞ্জ সমাধান করে, যখন কোনো বিষয় একাধিক ধরনের চূড়ান্ত ঘটনার সম্মুখীন হতে পারে, যা চিকিৎসা এবং নির্ভরযোগ্যতা (reliability) সংক্রান্ত প্রয়োগে একটি সাধারণ পরিস্থিতি।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
উৎস
- Lee, C., Zame, W., Yoon, J., & van der Schaar, M. (2018). DeepHit: A deep learning approach for dynamic survival analysis with competing risks. AAAI Conference on Artificial Intelligence, 32(1), 2314–2321. link ↗
- Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496–509. DOI: 10.1080/01621459.1999.10474144 ↗
- Katzman, J. L., et al. (2018). DeepSurv: Personalized treatment recommender system using a Cox proportional hazards deep neural network. Journal of Machine Learning Research, 40, 40–51. DOI: 10.1186/s12874-018-0482-1 ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/bn/survival/deephit
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →