DeepSurv
DeepSurv on syväoppimiseen perustuva neuroverkkomalli selviytymisanalyysiin, joka oppii yksilöllisiä selviytymisjakaumia suoraan datasta. Katzman et al. esittelivät sen vuonna 2018. Se laajentaa Coxin suhteellisten vaarojen mallia hyödyntäen syväoppimista monimutkaisten, epälineaaristen kovariaattien ja selviytymistulosten välisten suhteiden mallintamiseen. Se ratkaisee heterogeenisten hoitovaikutusten ja aika-tapahtuma-ennusteiden mallintamisen korkeaulotteisissa asetelmissa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Faraggi, D., & Simon, R. (1995). A neural network model for survival data. Statistics in Medicine, 14(1), 73–82. DOI: 10.1002/sim.4780140108 ↗
- 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 ↗
- Lee, C., Zame, W., Yoon, J., & van der Schaar, M. (2018). Deephit: A deep learning approach for dynamic survival analysis. AAAI Conference on Artificial Intelligence, 32(1). link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/fi/survival/deepsurv
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.
- Kiihdytetyn elinajan (AFT) malliElinaika-analyysi↔ compare
- Coxin hazard-suhteiden regressiomalliElinaika-analyysi↔ compare
- Weibull Parametrinen SelviytymisregressioElinaika-analyysi↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →