SAFE: 面向欺诈早期检测的神经生存分析模型
该研究提出了一种深度循环生存分析模型,结合了深度学习和生存分析,通过对每个样本的条件概率建模,捕获时间依赖性,预测真实事件发生的可能性并估计被审查数据的生存率,同时不需要假设任何特定形式的事件概率分布,在三个不同领域的实验中,该模型在各种度量标准下明显优于现有解决方案。
Sep, 2018
本论文提出了基于 RNN 和 MTF 结构的深度学习框架,利用客户在网站或智能手机应用程序上的交互行为序列进行在线欺诈行为预测。实验结果表明,相较于多层感知机网络和动态时间规整距离法作为距离度量的距离分类器,该网络结构可显著提高欺诈预测性能。
Aug, 2018
研究使用机器学习中的生存分析方法,基于英国长寿研究队列 ELSA 数据,构建了两种基于随机森林和弹性网络算法的生存机器学习模型,并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。
Jun, 2023
本文介绍了一种名为 Nnet-survival 的离散时间生存模型,适用于神经网络在医学预测任务中的应用。该模型由 Keras 深度学习框架实现,具有灵活性,能够根据随访时间的不同变化基线风险和输入数据对危险概率的影响。在模拟和实际数据集上的表现优于 Cox-nnet 和 Deepsurv 等已有模型。
May, 2018
本文介绍了一种基于 Multi-Task Logistic Regression(MTLR)模型和深度学习架构作为核心的新方法,用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard(CoxPH)模型,并且可以帮助企业预测客户购买产品、流失或贷款违约的时间,从而提高回报率。
Jan, 2018
应用不同的生存分析方法比较其性能,结果表明深度学习(DeepSurv)在歧视度和校准性方面表现最佳,而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。
Mar, 2024
使用计算机视觉中的运动分析和高维度医学图像数据,通过基于卷积网络和自编码器的模型进行人体生存预测任务,所建模型在 302 例患者中表现出显著的准确性提高,从而展示了如何高效地预测人类生存率。
Oct, 2018
本研究提出了一种新方法 Self-Adaptive Forecasting(SAF)来改进时间序列数据的预测,获得更好的泛化能力,通过预测过去数据进行自适应训练以适应非静态时间序列数据的演化分布,可与循环神经网络或基于注意力机制的架构集成。
Feb, 2022