論文の概要: A robust algorithm for explaining unreliable machine learning survival
models using the Kolmogorov-Smirnov bounds
- arxiv url: http://arxiv.org/abs/2005.02249v1
- Date: Tue, 5 May 2020 14:47:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 13:32:29.811051
- Title: A robust algorithm for explaining unreliable machine learning survival
models using the Kolmogorov-Smirnov bounds
- Title（参考訳）: コルモゴロフ-スミルノフ境界を用いた信頼できない機械学習生存モデルを説明するロバストアルゴリズム
- Authors: Maxim S. Kovalev and Lev V. Utkin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.482532589225552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A new robust algorithm based of the explanation method SurvLIME called
SurvLIME-KS is proposed for explaining machine learning survival models. The
algorithm is developed to ensure robustness to cases of a small amount of
training data or outliers of survival data. The first idea behind SurvLIME-KS
is to apply the Cox proportional hazards model to approximate the black-box
survival model at the local area around a test example due to the linear
relationship of covariates in the model. The second idea is to incorporate the
well-known Kolmogorov-Smirnov bounds for constructing sets of predicted
cumulative hazard functions. As a result, the robust maximin strategy is used,
which aims to minimize the average distance between cumulative hazard functions
of the explained black-box model and of the approximating Cox model, and to
maximize the distance over all cumulative hazard functions in the interval
produced by the Kolmogorov-Smirnov bounds. The maximin optimization problem is
reduced to the quadratic program. Various numerical experiments with synthetic
and real datasets demonstrate the SurvLIME-KS efficiency.
- Abstract（参考訳）: 機械学習サバイバルモデルを説明するために,SurvLIME-KSと呼ばれる説明法に基づく新しいロバストアルゴリズムを提案する。
このアルゴリズムは、少数のトレーニングデータや生存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。
SurvLIME-KSの背景にある最初のアイデアは、Cox比例ハザードモデルを適用して、実験例の周りの局所領域におけるブラックボックス生存モデルを近似することである。
第二の考えは、予測累積ハザード関数の集合を構成するためによく知られたコルモゴロフ・スミルノフ境界を組み込むことである。
その結果、説明ブラックボックスモデルの累積ハザード関数と近似coxモデルの平均距離を最小化し、コルモゴロフ-スミルノフ境界が生成する区間における累積ハザード関数全体の距離を最大化することを目的としたロバスト・マクシミン戦略が用いられる。
最大最適化問題は二次プログラムに還元される。
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。
関連論文リスト
- Kolmogorov-Smirnov GAN [52.36633001046723]
我々は、KSGAN(Kolmogorov-Smirnov Generative Adversarial Network)という新しい深層生成モデルを提案する。
既存のアプローチとは異なり、KSGANはKS距離の最小化として学習プロセスを定式化している。
論文 参考訳（メタデータ） (2024-06-28T14:30:14Z) - OPSurv: Orthogonal Polynomials Quadrature Algorithm for Survival
Analysis [19.65859820376036]
本稿では、生存分析のための直交多項式四分法アルゴリズム(OPSurv)を紹介する。
OPSurvは、生存分析における単一のリスクシナリオと競合するリスクシナリオの両方に対して、時間連続的な機能出力を提供する。
論文 参考訳（メタデータ） (2024-02-02T23:26:09Z) - 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) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳（メタデータ） (2022-08-10T19:17:45Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - Provable Model-based Nonlinear Bandit and Reinforcement Learning: Shelve
Optimism, Embrace Virtual Curvature [61.22680308681648]
決定論的報酬を有する1層ニューラルネットバンディットにおいても,グローバル収束は統計的に難解であることを示す。
非線形バンディットとRLの両方に対して,オンラインモデル学習者による仮想アセンジ(Virtual Ascent with Online Model Learner)というモデルベースアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-08T12:41:56Z) - SODEN: A Scalable Continuous-Time Survival Model through Ordinary
Differential Equation Networks [14.564168076456822]
本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。
提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
論文 参考訳（メタデータ） (2020-08-19T19:11:25Z) - 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) - 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) - SurvLIME: A method for explaining machine learning survival models [4.640835690336653]
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。
論文 参考訳（メタデータ） (2020-03-18T17:48:42Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。