Fugu-MT 論文翻訳(概要): SurvLIME: A method for explaining machine learning survival models

論文の概要: SurvLIME: A method for explaining machine learning survival models

arxiv url: http://arxiv.org/abs/2003.08371v1
Date: Wed, 18 Mar 2020 17:48:42 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 09:41:53.634178
Title: SurvLIME: A method for explaining machine learning survival models
Title（参考訳）: survlime: 機械学習生存モデルを説明する方法
Authors: Maxim S. Kovalev, Lev V. Utkin, Ernest M. Kasimov
Abstract要約: 提案手法の背景にある主な考え方は,Cox比例ハザードモデルを用いて,試験例の周辺地域における生存率モデルを近似することである。多くの数値実験がSurvLIMEの効率を実証している。
参考スコア（独自算出の注目度）: 4.640835690336653
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A new method called SurvLIME for explaining machine learning survival models is proposed. It can be viewed as an extension or modification of the well-known method LIME. The main idea behind the proposed method is to apply the Cox proportional hazards model to approximate the survival model at the local area around a test example. The Cox model is used because it considers a linear combination of the example covariates such that coefficients of the covariates can be regarded as quantitative impacts on the prediction. Another idea is to approximate cumulative hazard functions of the explained model and the Cox model by using a set of perturbed points in a local area around the point of interest. The method is reduced to solving an unconstrained convex optimization problem. A lot of numerical experiments demonstrate the SurvLIME efficiency.
Abstract（参考訳）: 機械学習生存モデルを説明するためにsurvlimeと呼ばれる新しい手法を提案する。これはよく知られたメソッド LIME の拡張や修正と見なすことができる。提案手法の背景にある主な考え方は,Cox比例ハザードモデルを用いて,試験例の周辺地域における生存率モデルを近似することである。コックスモデルは、例の共変数の線形結合を、共変数の係数が予測に定量的に影響を及ぼすとみなすことができると考えるために用いられる。もう1つのアイデアは、説明されたモデルとcoxモデルの累積ハザード関数を、関心点周辺の局所領域における摂動点の集合を用いて近似することである。この方法は制約のない凸最適化問題に還元される。多くの数値実験がサーヴライム効率を示している。

関連論文リスト

SurvBeX: An explanation method of the machine learning survival models based on the Beran estimator [4.640835690336653]
機械学習サバイバルブラックボックスモデルの予測を解釈するために、SurvBeXと呼ばれる説明法を提案する。合成および実生存データを用いた多くの数値実験は、SurvBeXの効率を実証している。
論文参考訳（メタデータ） (2023-08-07T17:18:37Z)
Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文参考訳（メタデータ） (2023-06-05T21:08:34Z)
Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文参考訳（メタデータ） (2023-02-10T08:05:19Z)
Variable selection for nonlinear Cox regression model via deep learning [0.0]
最近開発された深層学習に基づく変数選択モデルLassoNetを生存データに拡張する。提案手法を適用し,びまん性大細胞型B細胞リンパ腫の実際のデータセットを解析した。
論文参考訳（メタデータ） (2022-11-17T01:17:54Z)
Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
論文参考訳（メタデータ） (2021-10-21T14:47:06Z)
Residual Overfit Method of Exploration [78.07532520582313]
提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
論文参考訳（メタデータ） (2021-10-06T17:05:33Z)
A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文参考訳（メタデータ） (2021-05-11T16:02:39Z)
Counterfactual explanation of machine learning survival models [5.482532589225552]
その結果, 線形制約を伴う標準凸最適化問題に, 逆実説明問題を還元できることが示唆された。他のブラックボックスモデルでは、よく知られたParticle Swarm Optimizationアルゴリズムを適用することが提案されている。
論文参考訳（メタデータ） (2020-06-26T19:46:47Z)
Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文参考訳（メタデータ） (2020-05-21T16:08:38Z)
A robust algorithm for explaining unreliable machine learning survival models using the Kolmogorov-Smirnov bounds [5.482532589225552]
SurvLIME-KSは機械学習サバイバルモデルを説明するために提案されている。少量のトレーニングデータや生存率データのアウトレーヤのケースに対して堅牢性を確保するために開発された。合成および実データを用いた様々な数値実験により、SurvLIME-KS効率が示されている。
論文参考訳（メタデータ） (2020-05-05T14:47:35Z)
SurvLIME-Inf: A simplified modification of SurvLIME for explanation of machine learning survival models [4.640835690336653]
SurvLIMEとSurvLIME-Infの背景にある基本的な考え方は、Cox比例ハザードモデルを用いて、テスト例の周辺地域のブラックボックスサバイバルモデルを近似することである。 SurvLIMEとは対照的に、近似された累積ハザード関数と近似近似の距離を定義するために$L_infty $-normを使用する。
論文参考訳（メタデータ） (2020-05-05T14:34:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。