في عالم [البيانات](/tag/البيانات) المتنامي، تعتبر [بيانات](/tag/بيانات) الوقت حتى الحدث (Time-to-event Data) من العناصر الأساسية المستخدمة في مجالات مثل [علوم الحياة](/tag/[علوم](/tag/علوم)-الحياة) والهندسة. لكن هذه [البيانات](/tag/البيانات) غالبًا ما تُواجه مشكلة التعتيم (Censoring)، مما يُعقد تطبيق الأساليب التقليدية في [التعلم الآلي](/tag/[التعلم](/tag/التعلم)-الآلي). لتحقيق [تحليل](/tag/تحليل) أكثر دقة، ظهرت [نماذج كوكسي](/tag/[نماذج](/tag/نماذج)-كوكسي) العميقة (Deep Cox [Models](/tag/models)) كخيار شهير، حيث تُظهر قدرة فائقة على التعامل مع [بيانات](/tag/بيانات) التعتيم وتتيح استخدام [بيانات](/tag/بيانات) غير منظمة، مثل التقارير السريرية والنصوص الجينية وصور [علم الأمراض](/tag/علم-[الأمراض](/tag/الأمراض)).

مع ذلك، لا تزال [النماذج](/tag/النماذج) تُواجه [تحديات](/tag/تحديات) تتعلق بدقة [توقعات](/tag/توقعات) [احتمالات](/tag/احتمالات) البقاء التي تُقدمها. تُظهر [الأبحاث](/tag/الأبحاث) أن هذه [التوقعات](/tag/التوقعات) غالبًا ما تكون غير مُعدلة بشكل جيد، مما يحد من الفائدة [العملية](/tag/العملية) لهذه [النماذج](/tag/النماذج). في هذا البحث، نقترح أسلوبًا مبتكرًا يُعرف بالانحدار الإيزوتوني (Isotonic Regression) لتحسين [دقة](/tag/دقة) هذه [التوقعات](/tag/التوقعات). هذا الأسلوب يضيف طبقة من [الدقة](/tag/الدقة) على [التوقعات](/tag/التوقعات) المُنْتَجة دون التأثير على القدرة التمييزية للنموذج.

لقد وضعنا ضمانات [نظرية](/tag/نظرية) إيجابية، تشمل خاصية [مقاومة](/tag/مقاومة) مزدوجة (Double-robustness) والتعديل الأسيمطوي (Asymptotic Calibration). تُظهر [التجارب](/tag/التجارب) التي أجريناها على [بيانات](/tag/بيانات) سريرية حقيقية وبيانات اصطناعية أن الطريقة المُقترحة تُحقق فعالية ملحوظة.

نتطلع إلى [فهم](/tag/فهم) أعمق حول كيفية استخدام هذه الطرق الجديدة لتحسين نتائج [التحليل](/tag/التحليل) في مجالات مختلفة. كيف ترون تأثير التطورات الجديدة في [نماذج](/tag/نماذج) [تحليل البيانات](/tag/[تحليل](/tag/تحليل)-[البيانات](/tag/البيانات)) على صناعاتكم؟