論文の概要: Gradient-based Explanations for Deep Learning Survival Models

• arxiv url: http://arxiv.org/abs/2502.04970v1
• Date: Fri, 07 Feb 2025 14:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:58:16.706725
• Title: Gradient-based Explanations for Deep Learning Survival Models
• Title（参考訳）: ディープラーニング生存モデルのためのグラディエントに基づく説明
• Authors: Sophie Hanna Langbein, Niklas Koenen, Marvin N. Wright,
• Abstract要約: 本稿では,ニューラルネットワークの生存に適した勾配に基づく説明手法を提案する。 生存条件における時間依存的説明に対する理論的仮定の影響を解析する。 本稿では,時間次元を取り入れた効果的な可視化手法を提案する。
• 参考スコア（独自算出の注目度）: 0.716879432974126
• License:
• Abstract: Deep learning survival models often outperform classical methods in time-to-event predictions, particularly in personalized medicine, but their "black box" nature hinders broader adoption. We propose a framework for gradient-based explanation methods tailored to survival neural networks, extending their use beyond regression and classification. We analyze the implications of their theoretical assumptions for time-dependent explanations in the survival setting and propose effective visualizations incorporating the temporal dimension. Experiments on synthetic data show that gradient-based methods capture the magnitude and direction of local and global feature effects, including time dependencies. We introduce GradSHAP(t), a gradient-based counterpart to SurvSHAP(t), which outperforms SurvSHAP(t) and SurvLIME in a computational speed vs. accuracy trade-off. Finally, we apply these methods to medical data with multi-modal inputs, revealing relevant tabular features and visual patterns, as well as their temporal dynamics.
• Abstract（参考訳）: ディープラーニングサバイバルモデルは、特にパーソナライズドメディカルな医療において、古典的手法よりも優れていることが多いが、それらの「ブラックボックス」の性質は広く採用を妨げている。 本稿では、ニューラルネットワークの生存に適した勾配に基づく説明手法の枠組みを提案し、その利用範囲を回帰や分類を超えて拡張する。 生存条件における時間依存的説明に対する理論的仮定の影響を解析し,時間次元を取り入れた効果的な可視化手法を提案する。 合成データの実験では、勾配に基づく手法が時間依存性を含む局所的および大域的特徴効果の大きさと方向を捉えている。 本稿では,SurvSHAP(t)とSurvLIMEを計算速度対精度トレードオフで上回り,SurvSHAP(t)とSurvSHAP(t)に比肩する勾配に基づくGradSHAP(t)を紹介する。 最後に、これらの手法をマルチモーダル入力による医療データに適用し、関連する表形式の特徴や視覚パターン、時間的ダイナミクスを明らかにする。

関連論文リスト

• Time-series attribution maps with regularized contrastive learning [1.5503410315996757]
  勾配に基づく帰属法は、ディープラーニングモデルの決定を説明することを目的としているが、これまでは識別可能性の保証が欠如している。 本稿では,時系列データに基づく正規化コントラスト学習アルゴリズムを開発することにより,属性マップを識別可能性保証付きで生成する手法を提案する。 理論的には、xCEBRAはデータ生成過程のヤコビ行列を特定するのに好ましい性質を持っている。
  論文  参考訳（メタデータ） (2025-02-17T18:34:25Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Mixed moving average field guided learning for spatio-temporal data [0.0]
  我々は,新しいベイズ時間埋め込みと理論誘導型機械学習アプローチを定義し,アンサンブル予測を行う。 リプシッツ予測器を用いて、バッチ学習環境における固定時間および任意の時間PACを決定する。 次に、線形予測器とOrnstein-Uhlenbeckプロセスからシミュレーションしたデータセットを用いて学習手法の性能を検証した。
  論文  参考訳（メタデータ） (2023-01-02T16:11:05Z)
• DeepHazard: neural network for time-varying risks [0.6091702876917281]
  生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。 我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。 数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-07-26T21:01:49Z)

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。