半参数脆弱性模型的深度神经网络：H - 似然方法

Jul, 2023

半参数脆弱性模型的深度神经网络：H - 似然方法

Deep Neural Networks for Semiparametric Frailty Models via H-likelihood

Hangbin Lee, IL DO HA, Youngjo Lee

TL;DR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。

Abstract

For prediction of clustered time-to-event data, we propose a new deep neural network based gamma frailty model (DNN-FM). An advantage of the proposed model is that the joint maximization of the new h-likelihood p

deep neural network gamma frailty model h-likelihood prediction performance subject-specific frailties

发现论文，激发创造

面向计数数据的专业深度神经网络与高基数分类特征

提出一种新的层级似然学习框架，将伽马随机效应引入 Poisson 深度神经网络，以捕捉输入变量的非线性效应和主题特定的聚类效应，从而提高预测性能。该方法通过优化单一目标函数同时获得固定参数的最大似然估计值和随机效应的最佳无偏预测器，为处理包含高基数分类特征的聚类计数数据提供了一个快速端到端算法。并且，可以很容易地将最新的网络架构实施到提出的 h - 似然框架中，例如多头注意力层和稀疏最大函数，用于在高维环境中进行特征选择。为了提高实际性能和学习效率，还通过调整过程来预测随机参数，并使用矩量法估计方差分量进行预训练。各种实验研究和真实数据分析证实了我们提出方法的优势。

Oct, 2023

采用负证据的多通道神经图事件模型

该论文提出了一种基于多通道 RNN 的非参数深度神经网络方法，用于对事件数据集进行建模和预测，并证明该方法在模型拟合任务中胜过现有的基线方法。

Feb, 2020

贝叶斯深度网络广义线性模型（GLM）和广义线性混合模型（GLMM）

使用深度前馈神经网络、广义线性模型和贝叶斯推断等方法，提出一种高精度的回归和分类方法，能够在原有方法中量化预测不确定性并进行变量选择，并在多种模拟和真实数据示例中得到了令人满意的结果。

May, 2018

神经网络可扩展的离散时间生存模型

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

基于深度生成模型的半监督学习用于资产故障预测

本研究提出了一种基于深度神经网络参数化的生成模型和非线性嵌入技术的半监督学习方法，用于在历史数据中只部分了解健康状况的情况下建立资产故障的数据驱动建模。该方法可以使用有限的健康状况信息构建预测模型，精确预测未来资产的可靠性，实验结果表明深度生成模型所基于的非线性嵌入技术可以有效规范复杂模型，并实现高预测精度，不受健康状况信息可用性的影响。

Sep, 2017

使用神经网络和 Cox 回归进行时间至事件预测

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

乐观估计揭示非线性模型的潜力

我们提出了一种乐观估计方法，用于评估非线性模型的最佳拟合性能。我们估计了矩阵分解模型、深度模型和深度神经网络 (DNN) 在过参数化情况下所需的最小样本大小，揭示了 DNN 模型的两个特殊属性，并提出了 DNN 的架构设计原则，从而理论上揭示了非线性模型在过参数化情况下的巨大潜力。

Jul, 2023

神经细分 - 针对竞争风险的单调神经网络

本文利用受限单调神经网络对具有竞争风险的生存分布进行建模，确保了在减少计算成本的同时实现了精确的最大似然估计，并在一项合成和三个医学数据集上展示了解决方案的有效性。最后，我们讨论了在开发医疗实践风险评分时考虑竞争风险的意义。

May, 2023

基于多任务框架的深度神经网络用于生存分析

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

DLGM! 一种新的层次模型用于危害分类

此研究通过使用 DLGM 模型，利用深度学习对危害进行分级，并应用于 18 个工业过程进行实验，结果表明其具有卓越的应用前景，为工业安全实践提供了有价值的支持。

Sep, 2022