ترجمه فارسی مقاله MENSA: یک شبکه چند رویدادی برای تجزیه و تحلیل بقا تحت سانسور اطلاعاتی

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 MENSA: A Multi-Event Network for Survival Analysis under Informative Censoring
عنوان مقاله به فارسی MENSA: یک شبکه چند رویدادی برای تجزیه و تحلیل بقا تحت سانسور اطلاعاتی
نویسندگان Christian Marius Lillelund, Ali Hossein Gharari Foomani, Weijie Sun, Shi-ang Qi, Russell Greiner
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 10 September, 2024; originally announced September 2024. , Comments: Submitted to AAAI 2025
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: ارسال شده به AAAI 2025
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

Given an instance, a multi-event survival model predicts the time until that instance experiences each of several different events. These events are not mutually exclusive and there are often statistical dependencies between them. There are relatively few multi-event survival results, most focusing on producing a simple risk score, rather than the time-to-event itself. To overcome these issues, we introduce MENSA, a novel, deep learning approach for multi-event survival analysis that can jointly learn representations of the input covariates and the dependence structure between events. As a practical motivation for multi-event survival analysis, we consider the problem of predicting the time until a patient with amyotrophic lateral sclerosis (ALS) loses various physical functions, i.e., the ability to speak, swallow, write, or walk. When estimating when a patient is no longer able to swallow, our approach achieves an L1-Margin loss of 278.8 days, compared to 355.2 days when modeling each event separately. In addition, we also evaluate our approach in single-event and competing risk scenarios by modeling the censoring and event distributions as equal contributing factors in the optimization process, and show that our approach performs well across multiple benchmark datasets. The source code is available at: https://github.com/thecml/mensa

چکیده به فارسی (ترجمه ماشینی)

با توجه به یک نمونه ، یک مدل بقا چند رویداد زمان را پیش بینی می کند تا این نمونه هر یک از چندین رویداد مختلف را تجربه کند.این وقایع متقابلاً منحصر به فرد نیستند و اغلب وابستگی های آماری بین آنها وجود دارد.نتایج بقاء چند رویداد نسبتاً کمی وجود دارد که بیشتر آنها بر روی تولید یک نمره خطر ساده تمرکز می کنند ، نه خود زمان به رویداد.برای غلبه بر این موضوعات ، ماسا ، یک رویکرد یادگیری عمیق برای تجزیه و تحلیل بقا چند رویداد را معرفی می کنیم که می تواند به طور مشترک بازنمایی از متغیرهای ورودی و ساختار وابستگی بین وقایع را بیاموزد.به عنوان یک انگیزه عملی برای تجزیه و تحلیل بقاء چند رویداد ، ما مشکل پیش بینی زمان را در نظر می گیریم تا اینکه بیمار مبتلا به اسکلروز جانبی آمیوتروفیک (ALS) عملکردهای بدنی مختلفی را از دست بدهد ، یعنی توانایی صحبت ، بلع ، نوشتن یا راه رفتن.هنگام تخمین هنگامی که بیمار دیگر قادر به بلع نیست ، رویکرد ما در مقایسه با 355.2 روز هنگام مدل سازی هر رویداد به طور جداگانه ، از دست دادن L1 حاشیه 278.8 روز دست می یابد.علاوه بر این ، ما همچنین رویکرد خود را در سناریوهای خطر تک رویداد و رقیب با مدل سازی سانسور و توزیع رویداد به عنوان عوامل مؤثر در فرآیند بهینه سازی ارزیابی می کنیم و نشان می دهیم که رویکرد ما در بین مجموعه داده های چند معیار عملکرد خوبی دارد.کد منبع در: https://github.com/thecml/mensa در دسترس است

📚 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.