本論文では、データ拡張に基づく期待値回帰ニューラルネットワーク（ERNN）を提案します。この手法は、検閲観測値を含むデータに対してモデル化を行うためのものであり、DAERNNと命名されています。従来の研究は主に完全に観測されたデータに焦点を当てており、検閲データに対するアプローチは限られています。DAERNNは完全にデータ駆動型であり、最小限の仮定で高い柔軟性を提供します。シミュレーション研究と実データの応用により、DAERNNは既存の検閲ERNN手法を上回り、完全に観測されたデータで訓練されたモデルに匹敵する予測性能を達成しています。さらに、このアルゴリズムは明示的なパラメトリックモデルの指定なしに様々な検閲メカニズムを処理できる統一的なフレームワークを提供し、実際の検閲データ分析への適用性を向上させています。