경쟁 위험 (Competing risks)은 공학 분야에서 흔히 관찰되며, 적용 시나리오가 복잡할 경우 사건 발생 시간 (time-to-event) 데이터 모델링에 어려움을 줄 수 있습니다. 최근 심층 신경망 (Deep neural networks)은 그 유연성과 높은 학습 능력 덕분에 경쟁 위험을 포함한 예측 분야에서 큰 주목을 받고 있습니다. 그러나 신경망 구조의 복잡성은 서로 다른 데이터 입력에 기반한 하이퍼파라미터 튜닝 (hyperparameter tuning)에 추가적인 어려움을 초래합니다. 또한, 공학 시스템이 다중 계층 구조를 가진 복잡한 물리적 구조를 가질 때, 모든 구조적 수준을 단일 입력 그룹으로 취급하면 중요한 정보를 포착하지 못할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 원인별 경쟁 위험 (cause-specific competing risks) 프레임워크 하에서의 고장 시간 예측을 위한 구조적 분할 위험 심층 신경망 (Structured Segmented Hazard Deep Neural Network, SSH-Net)을 제안합니다. 우리의 접근 방식은 신경망 구조를 데이터 구조와 결합하며, 서로 다른 공변량 (covariate) 그룹이 별도의 하위 네트워크 (sub-networks)를 통해 고장 예측에 영향을 미칠 수 있도록 합니다. 이 신경망은 원인별 경쟁 위험 모델을 기반으로 구축됩니다. SSH-Net은 원인별 위험 함수 (cause-specific hazard functions)를 출력하며, 패널티 로그 가능도 (penalized log-likelihood)를 손실 함수 (loss function)로 사용합니다. SSH-Net의 예측 정확도는 시뮬레이션 연구를 통해 예측된 원인별 누적 발생 함수 (cause-specific cumulative incident function)의 브라이어 점수 (Brier score), 수신자 조작 특성 곡선 하 면적 (AUC), 그리고 평균 제곱근 오차 (RMSE)를 평가함으로써 검증되었습니다. 우리는 더 나아가 Titan GPU 고장 시간 데이터를 사용하여 고장 시간 분포 함수를 예측하는 모델의 능력을 입증합니다.