DeepHit
DeepHit on süvaõppevõrkude raamistik konkureerivate riskidega ellujäämisanalüüsiks. Lee jt. poolt 2018. aastal tutvustatud mudel laiendab DeepSurv'i, et käsitleda olukordi, kus võib esineda mitu vastastikku välistavat sündmust, näiteks haigusest tingitud suremus versus surm muudel põhjustel. DeepHit lahendab personaalse riskiprognoosi väljakutse, kui subjektid võivad kogeda erinevat tüüpi lõpp-sündmusi, mis on tavaline stsenaarium meditsiini- ja töökindlusrakendustes.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/et/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 →Märkasid sellel lehel viga? Teata sellest või paku parandust →