DeepHit
DeepHit je okvir duboke neuronske mreže za analizu preživljavanja sa konkurentnim rizicima. Predstavljen od strane Lee et al. 2018. godine, proširuje DeepSurv kako bi obuhvatio scenarije gde se može dogoditi više međusobno isključivih događaja, kao što su smrtnost specifična za bolest u poređenju sa smrću iz drugih uzroka. DeepHit rešava izazov personalizovane predikcije rizika kada subjekti mogu iskusiti različite tipove terminalnih događaja, što je čest scenario u medicinskim i aplikacijama pouzdanosti.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/sr/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 →Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →