論文の概要: SurvBeX: An explanation method of the machine learning survival models
based on the Beran estimator
- arxiv url: http://arxiv.org/abs/2308.03730v1
- Date: Mon, 7 Aug 2023 17:18:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 12:33:13.347992
- Title: SurvBeX: An explanation method of the machine learning survival models
based on the Beran estimator
- Title(参考訳): SurvBeX:ベラン推定器に基づく機械学習サバイバルモデルの説明方法
- Authors: Lev V. Utkin and Danila Y. Eremenko and Andrei V. Konstantinov
- Abstract要約: 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。
- 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: An explanation method called SurvBeX is proposed to interpret predictions of
the machine learning survival black-box models. The main idea behind the method
is to use the modified Beran estimator as the surrogate explanation model.
Coefficients, incorporated into Beran estimator, can be regarded as values of
the feature impacts on the black-box model prediction. Following the well-known
LIME method, many points are generated in a local area around an example of
interest. For every generated example, the survival function of the black-box
model is computed, and the survival function of the surrogate model (the Beran
estimator) is constructed as a function of the explanation coefficients. In
order to find the explanation coefficients, it is proposed to minimize the mean
distance between the survival functions of the black-box model and the Beran
estimator produced by the generated examples. Many numerical experiments with
synthetic and real survival data demonstrate the SurvBeX efficiency and compare
the method with the well-known method SurvLIME. The method is also compared
with the method SurvSHAP. The code implementing SurvBeX is available at:
https://github.com/DanilaEremenko/SurvBeX
- Abstract(参考訳): 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。
この手法の主な考え方は、修正されたベラン推定器を代理説明モデルとして使うことである。
beran estimatorに組み込まれた係数は、ブラックボックスモデル予測に影響を及ぼす特徴の値と見なすことができる。
有名なLIME法に従うと、多くの点が興味のある例の周囲の局所領域で生成される。
生成されたすべての例について、ブラックボックスモデルの生存関数を計算し、説明係数の関数としてサロゲートモデルの生存関数(ベラン推定器)を構築する。
説明係数を求めるために,ブラックボックスモデルの生存関数と生成例で生成したベランの推定値との間の平均距離を最小にすることが提案されている。
合成および実生存データを用いた多くの数値実験は、SurvBeX効率を示し、よく知られたSurvLIME法と比較する。
この方法はsurvshap法とも比較される。
SurvBeXを実装するコードは、https://github.com/DanilaEremenko/SurvBeXで入手できる。
関連論文リスト
- Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳(メタデータ) (2023-07-26T08:25:46Z) - SurvSHAP(t): Time-dependent explanations of machine learning survival
models [6.950862982117125]
SurvSHAP(t)は、生存可能なブラックボックスモデルの解釈を可能にする最初の時間依存的な説明である。
合成および医療データの実験により、SurvSHAP(t)が時間依存効果で変数を検出できることが確認された。
我々はPythonで時間に依存した説明のアクセス可能な実装を提供する。
論文 参考訳(メタデータ) (2022-08-23T17:01:14Z) - 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) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳(メタデータ) (2021-10-20T12:25:22Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - 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) - Evaluating Explainable AI: Which Algorithmic Explanations Help Users
Predict Model Behavior? [97.77183117452235]
我々は、モデル解釈性に対するアルゴリズム的説明の影響を分離するために、人体テストを実施している。
方法の有効性の明確な証拠はごく少数にみえる。
以上の結果から,説明がシミュラビリティにどのように影響するかの信頼性と包括的評価が得られた。
論文 参考訳(メタデータ) (2020-05-04T20:35:17Z) - 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。