DeepHit
DeepHit është një kornizë rrjeti nervor i thellë për analizën e mbijetesës me rreziqe konkurruese. Paraqitur nga Lee et al. në vitin 2018, ai zgjeron DeepSurv për të trajtuar situata ku mund të ndodhin ngjarje të shumta, reciprokisht ekskluzive, të tilla si vdekshmëria e specifikuar nga sëmundja kundrejt vdekjes nga shkaqe të tjera. DeepHit zgjidh sfidën e parashikimit të personalizuar të rrezikut kur subjektet mund të përjetojnë lloje të ndryshme ngjarjesh terminale, një skenar i zakonshëm në aplikimet mjekësore dhe të besueshmërisë.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/sq/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 →Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →