DeepSurv
DeepSurv ialah pendekatan rangkaian saraf dalam (deep neural network) untuk analisis kelangsungan hidup yang mempelajari taburan kelangsungan hidup peribadi secara terus daripada data. Diperkenalkan oleh Katzman et al. pada 2018, ia mengembangkan model bahaya berkadar Cox (Cox proportional hazards model) menggunakan pembelajaran mendalam untuk menangkap hubungan kompleks dan tak linear antara kovariat dan hasil kelangsungan hidup. Ia menyelesaikan masalah pemodelan kesan rawatan yang heterogen dan ramalan masa-ke-kejadian dalam tetapan berdimensi tinggi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/ms/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.
- Model Masa Kegagalan Dipercepat (AFT)Analisis Survival↔ compare
- Regresi Bahaya Proporsional CoxAnalisis Survival↔ compare
- Regresi Kelangsungan Parametrik WeibullAnalisis Survival↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →