Geri Dön

Recurrent neural networks for complex survival problems

Karmaşık yaşam problemleri için yinelemeli sinir ağları

  1. Tez No: 839907
  2. Yazar: PIUS SINDIYO MARTHIN
  3. Danışmanlar: PROF. DR. NİHAL ATA TUTKUN
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. 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)
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Teknoloji tahmini için yeni bir model önerisi

    A model proposal for technology forecasting

    GİZEM İNTEPE

    Doktora

    Türkçe

    Türkçe

    2016

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. VEHBİ TUFAN KOÇ

  2. Evrişimli sinir ağları kullanılarak hiperspektral görüntülerin sınıflandırılması

    Classification of hyperspectral images using convolutionalneural network

    ALİ GÜNDÜZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEYNEP ORMAN

  3. Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma

    Generating image hash codes with deep reinforcement learning method

    ELİF AKKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURHAN BARAKLI

  4. Derin öğrenmede tekrarlayan sinir ağları yaklaşımı ile hisse senedi fiyat tahmini

    Stock price prediction with recurrent neural networks approach in deep learning

    GÜLDENİZ CANATAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. GÜZİN YÜKSEL

  5. Taş dolgu dalgakıranların yapay sinir ağları, bulanık mantık sistemleri ve genetik algoritma ile ön tasarımı ve güvenirlik analizi

    Design and reliability analysis of rubble mound breakwaters by using artificial neural networks, fuzzy logic systems and genetic algorithm

    M. LEVENT KOÇ

    Doktora

    Türkçe

    Türkçe

    2002

    İnşaat MühendisliğiGazi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ.DR. CAN E. BALAS

    PROF.DR. A. SAMET ASLAN