כתבה
arXiv cs.LG ·
DeepAJM: דגל-קשר עמוק למודלים משולבים לנתונים ספורדיים
DeepAJM: Deep Association Joint Model for Irregularly Sampled data
מודל עמוק משולב, DeepAJM, מטפל בנתונים ספורדיים. המודל משתמש בארכיטקטורה של encoder-decoder כדי ללמוד את המבנה העמוק במסלולי המאפיינים הזמניים של החולים. המודל קושר את התהליכים האופקיים לתהליכים השרידה דרך קשר עמוק, ממועדים, שבו כל תוצאה אופקית מהדקודר נערכה מחדש על ידי מאפיינים רגילים לפני שהיא משתתפת בסיכומים השרידה מהראש של הארכיטקטורה. המודל הוכיח יכולת דיסקרימינציה טובה ביותר בכל הנתונים.
תקציר מקורי באנגליתarXiv:2610.07388v1 Announce Type: cross Abstract: Joint Models simultaneously model longitudinal and survival outcomes, leveraging patterns in patients' longitudinal trajectory to improve the prediction of survival outcomes. The classical parametric joint models, however, rely on fixed parametric assumptions, making them susceptible to bias under model misspecification and smaller sample sizes. We propose a deep joint model, DeepAJM, that does not require any parametric assumptions, while retaining a partially interpretable, per-longitudinal-outcome association structure. The joint model uses an encoder-decoder (sequence-to-sequence) architecture to learn the latent structure in patients' time-varying covariate trajectories. The model links the longitudinal processes to the survival proces
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית