ترجمه فارسی مقاله CoxKAN: شبکه های Kolmogorov-Arnold برای تجزیه و تحلیل بقای قابل تفسیر و با کارایی بالا

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی CoxKAN: Kolmogorov-Arnold Networks for Interpretable, High-Performance Survival Analysis
عنوان مقاله به فارسی CoxKAN: شبکه های Kolmogorov-Arnold برای تجزیه و تحلیل بقای قابل تفسیر و با کارایی بالا
نویسندگان William Knottenbelt, Zeyu Gao, Rebecca Wray, Woody Zhidong Zhang, Jiashuai Liu, Mireia Crispin-Ortuzar
فرمت مقاله انگلیسی PDF
تعداد صفحات 38
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 6 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 6 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Survival analysis is a branch of statistics used for modeling the time until a specific event occurs and is widely used in medicine, engineering, finance, and many other fields. When choosing survival models, there is typically a trade-off between performance and interpretability, where the highest performance is achieved by black-box models based on deep learning. This is a major problem in fields such as medicine where practitioners are reluctant to blindly trust black-box models to make important patient decisions. Kolmogorov-Arnold Networks (KANs) were recently proposed as an interpretable and accurate alternative to multi-layer perceptrons (MLPs). We introduce CoxKAN, a Cox proportional hazards Kolmogorov-Arnold Network for interpretable, high-performance survival analysis. We evaluate the proposed CoxKAN on 4 synthetic datasets and 9 real medical datasets. The synthetic experiments demonstrate that CoxKAN accurately recovers interpretable symbolic formulae for the hazard function, and effectively performs automatic feature selection. Evaluation on the 9 real datasets show that CoxKAN consistently outperforms the Cox proportional hazards model and achieves performance that is superior or comparable to that of tuned MLPs. Furthermore, we find that CoxKAN identifies complex interactions between predictor variables that would be extremely difficult to recognise using existing survival methods, and automatically finds symbolic formulae which uncover the precise effect of important biomarkers on patient risk.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل بقا شاخه ای از آماری است که برای مدل سازی زمان تا زمان وقوع یک رویداد خاص استفاده می شود و به طور گسترده در پزشکی ، مهندسی ، امور مالی و بسیاری از زمینه های دیگر استفاده می شود.هنگام انتخاب مدل های بقا ، به طور معمول تجارت و تفسیر وجود دارد ، جایی که بیشترین عملکرد توسط مدلهای جعبه سیاه بر اساس یادگیری عمیق حاصل می شود.این یک مشکل اساسی در زمینه هایی مانند پزشکی است که پزشکان تمایلی به کورکورانه به مدل های جعبه سیاه ندارند تا تصمیمات مهم بیمار را بگیرند.شبکه های Kolmogorov-Arnold (KANS) اخیراً به عنوان یک جایگزین قابل تفسیر و دقیق برای Perceptrons چند لایه (MLP) پیشنهاد شده است.ما Coxkan را معرفی می کنیم ، یک خطرات متناسب متناسب با شبکه Kolmogorov-Arnold برای تجزیه و تحلیل بقا قابل تفسیر و با کارایی بالا.ما Coxkan پیشنهادی را در 4 مجموعه داده مصنوعی و 9 مجموعه داده پزشکی واقعی ارزیابی می کنیم.آزمایش های مصنوعی نشان می دهد که Coxkan به طور دقیق فرمول های نمادین قابل تفسیر را برای عملکرد خطر بازیابی می کند ، و به طور موثری انتخاب ویژگی اتوماتیک را انجام می دهد.ارزیابی در 9 مجموعه داده واقعی نشان می دهد که Coxkan به طور مداوم از مدل خطرات متناسب Cox بهتر عمل می کند و به عملکردی که برتر یا قابل مقایسه با MLP های تنظیم شده است ، می رسد.علاوه بر این ، ما می یابیم که Coxkan تعامل پیچیده بین متغیرهای پیش بینی کننده را مشخص می کند که تشخیص استفاده از روشهای بقا موجود بسیار دشوار است ، و به طور خودکار فرمول های نمادین را پیدا می کند که از تأثیر دقیق نشانگرهای مهم بر روی خطر بیمار کشف می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.