Karmaşık yaşam problemleri için yinelemeli sinir ağları

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. Anahtar Kelimeler: Birikimli İnsidans Fonksiyonu, Risk Bilgi Ağırlığı, Otomatik Kodlayıcılar, Yaşam Çözümlemesi, Yinelemeli Sinir Ağları, Uzun-Kısa Vadeli Hafıza.