論文の概要: SSH-Net: A Deep Neural Network for Predicting Failure Time Distribution Functions under Competing Risks with Application to GPU Data

• arxiv url: http://arxiv.org/abs/2606.20451v1
• Date: Thu, 18 Jun 2026 16:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.987455
• Title: SSH-Net: A Deep Neural Network for Predicting Failure Time Distribution Functions under Competing Risks with Application to GPU Data
• Title（参考訳）: SSH-Net:GPUデータを用いた競合リスク下での故障時間分布関数予測のためのディープニューラルネットワーク
• Authors: Jie Min, Yueyao Wang, Mengkun Chen,
• Abstract要約: 競合するリスクはエンジニアリングの分野で一般的に見られ、時間から時間へのデータモデリングに課題をもたらす可能性がある。 本稿では,原因特異的な競合するリスク・フレームワーク下での故障時間予測のための構造化セグメントハザードディープ・ニューラル・ニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 1.4018975578160686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Competing risks are commonly observed in engineering fields and can bring challenges to time-to-event data modeling when the application scenarios are complicated. Recently, deep neural networks have received great attention for prediction with competing risks, due to their flexibility and high learning capability. However, the complexity of neural network structure brings extra difficulty in hyperparameter tuning based on different data inputs. Additionally, when an engineered system has complex physical structures with multiple hierarchical levels, treating all structural levels as a single group of inputs may fail to capture critical information. To address the issues, we propose a Structured Segmented Hazard Deep Neural Network (SSH-Net) for failure time prediction under cause-specific competing risks framework. Our approach associates neural network structure with data structures, and allows different covariate groups to impact the failure prediction through separate sub-networks. The neural network is constructed based on a cause-specific competing risks model. The SSH-Net outputs cause-specific hazard functions, and utilizes the penalized log-likelihood as the loss function. The prediction accuracy of SSH-Net is validated through simulation studies by evaluating the Brier score, the area under receiver operating characteristic curves (AUC), and the root mean square error (RMSE) of the predicted cause-specific cumulative incident function. We further demonstrate the model's ability to predict failure time distribution functions using the Titan GPU failure time data.
• Abstract（参考訳）: 競合するリスクは、エンジニアリングの分野で一般的に見られ、アプリケーションのシナリオが複雑である場合に、時間と時間の間のデータモデリングに課題をもたらす可能性がある。 近年、深層ニューラルネットワークは、柔軟性と高い学習能力のため、競合するリスクの予測に大きな注目を集めている。 しかし、ニューラルネットワーク構造の複雑さにより、異なるデータ入力に基づくハイパーパラメータチューニングがさらに困難になる。 さらに、工学系が複数の階層レベルを持つ複雑な物理構造を持つ場合、全ての構造レベルを単一の入力のグループとして扱うことは、重要な情報を捉えるのに失敗する可能性がある。 この問題に対処するため,本研究では,原因特異的な競合するリスク・フレームワークの下での障害時間予測のためのStructured Segmented Hazard Deep Neural Network (SSH-Net)を提案する。 我々のアプローチは、ニューラルネットワーク構造とデータ構造を関連付け、異なる共変群が別々のサブネットワークを通して障害予測に影響を与えることを可能にする。 ニューラルネットワークは、原因特異的競合リスクモデルに基づいて構築される。 SSH-Netは、原因特異的ハザード関数を出力し、損失関数として、ペナル化ログライクフードを利用する。 SSH-Netの予測精度は、Brierスコア、受信器動作特性曲線(AUC)下領域、および予測原因別累積インシデント関数の根平均二乗誤差(RMSE)を評価することによりシミュレーション研究により検証される。 さらに,Titan GPUの故障時間データを用いて,故障時間分布関数を予測する能力を示す。

関連論文リスト

• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• Neural Network with Local Converging Input (NNLCI) for Supersonic Flow Problems with Unstructured Grids [0.9152133607343995]
  非構造データを用いた高忠実度予測のための局所収束入力(NNLCI)を用いたニューラルネットワークを開発した。 また, NNLCI法を用いて, バンプを有するチャネル内の超音速流の可視化を行った。
  論文  参考訳（メタデータ） (2023-10-23T19:03:37Z)
• Comprehensive Analysis of Network Robustness Evaluation Based on Convolutional Neural Networks with Spatial Pyramid Pooling [4.366824280429597]
  複雑なネットワークを理解し、最適化し、修復するための重要な側面である接続性の堅牢性は、伝統的にシミュレーションを通じて評価されてきた。 空間ピラミッドプールネットワーク(SPP-net)を用いた畳み込みニューラルネットワーク(CNN)モデルの設計により,これらの課題に対処する。 提案したCNNモデルは,全ての除去シナリオにおいて,攻撃曲線とロバストネスの両値の正確な評価を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2023-08-10T09:54:22Z)
• Adversarial training with informed data selection [53.19381941131439]
  アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。 本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。 シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-07T12:09:50Z)
• Physics Informed Neural Network for Dynamic Stress Prediction [10.588266927411434]
  有限要素シミュレーションに基づいて, 応力分布の全列を予測するために, 物理インフォームドニューラルネットワーク(PINN)モデルを提案する。 自動微分を用いて、深層ニューラルネットワークの損失関数にPDEを埋め込み、測定やPDEからの情報を取り込む。 PINN-Stressモデルは、ほぼリアルタイムで応力分布の列を予測でき、PINNなしではモデルよりも良く一般化できる。
  論文  参考訳（メタデータ） (2022-11-28T16:03:21Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• Domain Knowledge Empowered Structured Neural Net for End-to-End Event Temporal Relation Extraction [44.95973272921582]
  本稿では,確率的ドメイン知識によって構築された分布制約を持つディープニューラルネットワークを強化するフレームワークを提案する。 ラグランジアン緩和(Lagrangian Relaxation)により制約付き推論問題を解き、終端事象の時間的関係抽出タスクに適用する。
  論文  参考訳（メタデータ） (2020-09-15T22:20:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。