본 논문은 심층 신경망과 확률 과정 이론의 첫 번째 도달 시간(FHT) 분포를 결합한 생존 분석 프레임워크인 DeepFHT를 소개한다. 사건 발생 시간은 잠재 확산 과정이 흡수 경계에 도달하는 시간으로 표현된다. 신경망은 입력 변수를 초기 조건, 드리프트, 확산과 같은 물리적으로 의미 있는 매개변수로 매핑하여, 드리프트가 있는 브라운 운동과 드리프트가 없는 브라운 운동과 같은 선택된 FHT 과정 내에서 매개변수를 계산한다. 이로 인해 폐쇄 형식의 생존 및 위험 함수가 생성되고 비례 위험을 가정하지 않고 시간 변화 위험을 포착한다. DeepFHT는 합성 데이터 세트와 실제 데이터 세트를 사용하여 Cox 생존 모델과 비교한다. 이 방법은 최첨단 접근 방식과 동등한 예측 정확도를 달성하는 동시에 입력 특징과 위험 간의 관계를 명확히 설명하는 물리학 기반의 해석 가능한 매개변수화를 유지한다. 확률 과정 이론과 심층 학습의 이러한 조합은 복잡한 시스템에서 생존 현상을 모델링하기 위한 원칙적인 방법을 제공한다.
