基于 Cox-Weibull 神经网络的贝叶斯武器系统可靠性建模
我们使用贝叶斯推理过程结合神经网络,对高可靠性武器系统的故障时间进行建模,考虑了区间 - censored 数据和时变协变量,并通过综合分类指标和可靠性曲线可视化来分析和评估我们的方法 LaplaceNN。
Dec, 2023
本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处,提出了一个贝叶斯深度学习框架,评估了四个基准数据集上的预测表现,并与传统非贝叶斯方法进行比较。
Apr, 2024
本文通过回顾 Prognostics and Health Management 领域内知识增强机器学习的各种方法,并使用常见的 IMS 和 PRONOSTIA 轴承数据集,提出了一种基于 Weibull 分布的知识增强机器学习技术,并通过 Weibull 分布的损失函数将知识集成到神经网络中,对 Weibull 分布的损失函数进行了全面的统计分析,论证了该方法在 PRONOSTIA 数据集上的有效性。最后,本文公开了所有代码以便其他研究者使用。
Jan, 2022
DeepSurv 是一种用于建模患者协变量和治疗效果相互作用的 Cox 比例风险深度神经网络,提供个性化治疗建议,表现良好并且可以用于调查病人特征对于失败风险的影响。
Jun, 2016
本文提出了将神经网络与 Cox 比例风险模型相结合进行时间到事件预测的新方法。基于嵌套病例对照研究的方法学,提出了良好的损失函数,能够适用于大型数据集,能够拟合比例和不比例的 Cox 模型扩展,并在实际数据集上表现出非常强的竞争力。
Jul, 2019
透过使用临床数据,我们提出了 GRU-D-Weibull 模型,它以门控循环单元和衰减(GRU-D)结合韦伯分布的方式,实现了实时个体化终点预测和人群风险管理。我们的方法在慢性肾脏疾病(CKD4)患者队列进行了评估,表现出更好的性能,并成功将预测的存活概率与观察到的存活概率进行了对齐。
Aug, 2023
本文提出了一种基于贝叶斯优化的安全验证算法,它通过迭代地适配概率代理模型来高效预测故障,并通过重要性采样来估计操作域内的故障概率。经实验表明,该算法在减少样本数和各种安全验证指标方面表现良好,并可用于补充机器学习组件的 FAA 认证过程。
May, 2023
本文提出了一种基于深度神经网络的伽马脆弱性模型 (DNN-FM),通过最大化全新的 h-likelihood,提供固定参数的最大似然估计值和随机脆弱性的最佳无偏预测值。本文实验表明,所提出的方法提高了现有方法的预测性能。同时,实际数据分析表明,包含个体特异性脆弱性有助于改善基于 DNN 的 Cox 模型(DNN-Cox)的预测。
Jul, 2023
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