قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
تحليل البقاء العميق
تطبيق الشبكات العصبية العميقة لنمذجة بيانات البقاء، مما يسمح بالتقاط علاقات غير خطية معقدة بين المتغيرات المشتركة وخطر الحدث.
الرقابة الزمنية (Time Censoring)
ظاهرة لا يتم فيها ملاحظة الحدث المهم لبعض الوحدات قبل نهاية الدراسة، مما يخلق بيانات غير كاملة تتطلب طرق تحليل محددة.
دالة الخطر (Hazard Function)
دالة تصف المعدل اللحظي لوقوع الحدث في الوقت t، بشرط البقاء حتى هذا الوقت، ويتم نمذجتها بشكل مختلف في نهج التعلم العميق.
ديب هيت
بنية شبكة عصبية عميقة تنمذج مباشرة توزيع البقاء المتقطع بدون افتراضات حول شكل دالة الخطر.
الرقابة اليمنى (Right Censoring)
النوع الأكثر شيوعاً من الرقابة في تحليل البقاء حيث نعلم أن وقت البقاء أكبر من قيمة معينة ملاحظة، ولكن القيمة الدقيقة غير معروفة.
خسارة البقاء (Survival Loss)
دالة خسارة مصممة خصيصاً لنماذج تحليل البقاء، تأخذ في الاعتبار كل من أوقات الأحداث الملاحظة والبيانات المقيدة في التحسين.
شبكة كوكس العميقة
امتداد لنموذج كوكس النسبي يستخدم شبكة عصبية لتعلم تمثيل غير خطي للمتغيرات المشتركة مع الحفاظ على فرضية تناسب المخاطر.
كابلان-مايير العصبي
نهج التعلم العميق الذي يقدر دالة البقاء من خلال الجمع بين مرونة الشبكات العصبية والخصائص غير المعلمية لمقدر كابلان-مايير.
الرقابة الإعلامية
حالة يكون فيها آلية الرقابة مرتبطة بخطر وقوع الحدث، مما ينتهك فرضية الرقابة غير المعلومة ويتطلب نماذج بقاء أكثر تطورًا.
التنبؤ بوقت وقوع الحدث
مهمة تنبؤ تهدف إلى تقدير الوقت حتى وقوع حدث معين، باستخدام نماذج التعلم العميق للتعامل مع تعقيد البيانات ومراقبتها.
منحنى البقاء
تمثيل رسومي لاحتمالية البقاء مع مرور الوقت، المقدرة بواسطة نماذج التعلم العميق من بيانات التدريب والتنبؤات الفردية.
مؤشر التوافق (مؤشر C)
مقياس تقييم خاص بتحليل البقاء يقيس قدرة النموذج على ترتيب أوقات الأحداث بشكل صحيح بين أزواج الأفراد.
نماذج البقاء العميقة الديناميكية
نماذج التعلم العميق التي تدمج بيانات طولية أو تسلسلية لتحديث تنبؤات البقاء بشكل مستمر مع مرور الوقت.
المخاطر المتنافسة
حالة يمكن أن تحدث فيها أنواع متعددة من الأحداث الحصرية بشكل متبادل، مما يتطلب نماذج التعلم العميق متعددة المهام لتقدير المخاطر الخاصة بكل سبب.
الشبكات العصبية المتكررة للبقاء
استخدام RNN أو LSTM لنمذجة بيانات البقاء التسلسلية حيث تتغير المتغيرات المشتركة مع مرور الوقت قبل وقوع الحدث.
نماذج البقاء القائمة على الانتباه
هياكل التعلم العميق التي تستخدم آليات الانتباه لتحديد المتغيرات المشتركة الأكثر تأثيرًا على خطر البقاء في أوقات مختلفة.
نماذج الهشاشة في التعلم العميق
توسيع نماذج البقاء على قيد الحياة في التعلم العميق التي تدمج تأثيرات عشوائية (الهشاشة) لالتقاط التباين غير الملاحظ بين الأفراد أو المجموعات.
SurvivalGAN
شبكات الخصومة التوليدية المصممة خصيصاً لتوليف بيانات بقاء واقعية تحافظ على خصائص الرقابة وتوزيعات الوقت.
التعلم متعدد المهام للبقاء
نهج تعلم يتم فيه تدريب نموذج البقاء على قيد الحياة بشكل متزامن على عدة مهام ذات صلة لتحسين التعميم والتقاط العلاقات المشتركة.