预测一个人还能活多少年的任务称为生存分析。生存分析是一种时间到事件分析。因此，生存分析需要一种特殊类型的损失函数。适当的损失函数可以避免当前年龄为 70 岁时还剩下 50 年的预测。常见的生存分析模型是Cox 回归模型，它可以适应神经网络。

如果使用生存分析，可以直接在单个输入节点中将当前年龄输入模型中。

one-hot 编码的缺点是它生成的矩阵非常稀疏。神经网络讨厌稀疏数据：梯度下降优化器在连续变量上发挥最佳作用，而当可变性如此之小时，权重更新效果不佳。

我永远不会推荐人工神经网络的单热编码。我只在绝对必要时使用它，并尽可能避免使用它。我作为数据科学家的个人经验告诉我，稀疏的数据矩阵通常会导致糟糕的结果。

但是，我认为您将需要一种称为生存分析的统计技术。它实际上有很多名称：生存回归、事件历史模型、持续时间模型等。这是生物统计学家几十年前发明的一种技术，旨在估计患者死亡的概率，考虑到经过多少时间和外部变量。后来它被应用到许多与医学无关的科学领域。它可以概括为一种旨在估计终止事件发生的可能性的技术。从数学上讲，它是在估计一个过程在时间上的“生存概率”。只需谷歌搜索即可找到大量信息。一个好的开始就在这里，这里和在这里。关于这个主题的最好的书之一就是这本书（它是为社会科学家写的，但对任何人都非常有用。）

有人开发了神经生存模型，使用人工神经网络来估计过程的生存概率。但是我从来没有碰巧在实践中尝试过这些模型。你可以在这里和这里阅读一些有趣的东西。

这类模型（ANN 与否）将使您将年龄视为连续变量。

我们知道 MLP 可以在紧凑的支持上计算任何函数（达到任何精度）。我不是神经网络专家，但我的直觉告诉你，你可以尝试用一个隐藏层包含 100 个隐藏神经元的网络对其进行建模。然后只需将您提到的数据提供给它：对于每个年龄$a$给它提供训练数据$\{(0, a),\ (1, a-1), \ \ldots,\ (a, 0)\}$. 我不确定在这种情况下合并结果是否会有所帮助。首先采用已知分布（例如高斯分布）（当然预期寿命不是），从中生成一些训练数据，看看您是否可以近似它，这可能会有所帮助。