Recurrent neural networks for complex survival problems
Karmaşık yaşam problemleri için yinelemeli sinir ağları
- Tez No: 839907
- Danışmanlar: PROF. DR. NİHAL ATA TUTKUN
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Birikimli İnsidans Fonksiyonu, Risk Bilgi Ağırlığı, Otomatik Kodlayıcılar, Yaşam Çözümlemesi, Yinelemeli Sinir Ağları, Uzun-Kısa Vadeli Hafıza, Cumulative Incidence Function (CIF), Risk Information Weight (RIW), Autoencoders (AE), Survival analysis, Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM)
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 142
Özet
Bu çalışmada, yarışan riskli tekrarlı olaylar için riske özel olasıklıkları ve yaşam fonksiyonunu birlikte tahmin etmek için geleneksel yaklaşımların dayattığı sınırlamaları ortadan kaldıran ve mevcut derin öğrenme sistemlerinin kısıtlamalarını gösteren yeni bir derin öğrenme tekniği (CmpXRnnSurv_AE) verilmiştir. Ağırlıklı kümülatif insidans fonksiyonunu (WCIF) hesaplamak için bir dikkat mekanizması olarak Risk Bilgi Ağırlıkları (RIW) adlı bileşeni ve nedene özgü olaylardan sorumlu ortak değişkenler kümesi arasından karmaşık özellikleri ayıklamak için bir özellik seçici olarak harici bir otomatik kodlayıcıyı (ExternalAE) önerilmiştir. Modelimiz yapay ve gerçek veri kümeleri kullanarak eğitilmiş ve değerlendirme için karmaşık yaşam modelleri için uygun ölçümler kullanılmıştır. Kıyaslama olarak hem geleneksel hem de makine öğrenimi modelleri seçilmiş ve önerilen modelin tüm veri kümelerinde %92'lik en iyi ağırlıklı zamana bağlı uyumlu uygunluk indeksi ve %20'lik ağırlıklı zamana bağlı Brier skor ile daha iyi performans gösterdiği sonucuna ulaşılmıştır.
Özet (Çeviri)
In this study, we introduce a novel deep learning technique (CmpXRnnSurv_AE) that obliterates the limitations imposed by traditional approaches and addresses the limitations of the existing deep learning systems to jointly predict the risk-specific probabilities and survival function for recurrent events with competing risks. We introduce the component termed Risks Information Weights (RIW) as an attention mechanism to compute the weighted cumulative incidence function (WCIF) and an external auto-encoder (ExternalAE) as a feature selector to extract complex characteristics among the set of covariates responsible for the cause-specific events. We train our model using synthetic and real data sets and employ the appropriate metrics for complex survival models for evaluation. As benchmarks, we selected both traditional, and machine learning models and our model demonstrates better performance across all datasets with the best weighted time dependent concordant index score of 92% and the weighted time dependent Brier score of 20%.
Benzer Tezler
- Teknoloji tahmini için yeni bir model önerisi
A model proposal for technology forecasting
GİZEM İNTEPE
Doktora
Türkçe
2016
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. VEHBİ TUFAN KOÇ
- Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma
Generating image hash codes with deep reinforcement learning method
ELİF AKKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI
- Evrişimli sinir ağları kullanılarak hiperspektral görüntülerin sınıflandırılması
Classification of hyperspectral images using convolutionalneural network
ALİ GÜNDÜZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEYNEP ORMAN
- Non linear control of SMA as a linear actuator
Doğrusal aktüatör olarak SMA'nın doğrusal olmayan kontrolü
AHMET ATASOY
Doktora
İngilizce
2025
BiyomühendislikBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMED ÖZKAN
- XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms
Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu
MELİS KÜÇÜK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ