DeepHit
A DeepHit egy mély neurális hálózati keretrendszer a túlélési elemzéshez kompetáló kockázatokkal. Lee és mtsai. vezették be 2018-ban, és kiterjeszti a DeepSurv-ot olyan beállításokra, ahol több, egymást kölcsönösen kizáró esemény fordulhat elő, mint például a betegségspecifikus halálozás szemben más okokból bekövetkező halállal. A DeepHit megoldja a személyre szabott kockázat-előrejelzés kihívását, amikor az alanyok különböző típusú terminális eseményeket tapasztalhatnak, ami gyakori forgatókönyv az orvosi és megbízhatósági alkalmazásokban.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/hu/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 →Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →