論文の概要: Interpretable Non-linear Survival Analysis with Evolutionary Symbolic Regression

• arxiv url: http://arxiv.org/abs/2504.05756v1
• Date: Tue, 08 Apr 2025 07:37:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:31:50.001109
• Title: Interpretable Non-linear Survival Analysis with Evolutionary Symbolic Regression
• Title（参考訳）: 進化的シンボリック回帰を用いた解釈可能な非線形生存解析
• Authors: Luigi Rovito, Marco Virgolin,
• Abstract要約: サバイバル回帰(Survival Regression, SuR)は、臨床試験や半導体製造といった重要な応用において、イベントをモデル化するための重要な手法である。 SuRアルゴリズムは3つのクラスのうちの1つに属している。 本稿では,SuRに適応したシンボリック回帰の進化的,多目的的,多表現的実装を提案する。
• 参考スコア（独自算出の注目度）: 2.07180164747172
• License:
• Abstract: Survival Regression (SuR) is a key technique for modeling time to event in important applications such as clinical trials and semiconductor manufacturing. Currently, SuR algorithms belong to one of three classes: non-linear black-box -- allowing adaptability to many datasets but offering limited interpretability (e.g., tree ensembles); linear glass-box -- being easier to interpret but limited to modeling only linear interactions (e.g., Cox proportional hazards); and non-linear glass-box -- allowing adaptability and interpretability, but empirically found to have several limitations (e.g., explainable boosting machines, survival trees). In this work, we investigate whether Symbolic Regression (SR), i.e., the automated search of mathematical expressions from data, can lead to non-linear glass-box survival models that are interpretable and accurate. We propose an evolutionary, multi-objective, and multi-expression implementation of SR adapted to SuR. Our empirical results on five real-world datasets show that SR consistently outperforms traditional glass-box methods for SuR in terms of accuracy per number of dimensions in the model, while exhibiting comparable accuracy with black-box methods. Furthermore, we offer qualitative examples to assess the interpretability potential of SR models for SuR. Code at: https://github.com/lurovi/SurvivalMultiTree-pyNSGP.
• Abstract（参考訳）: サバイバル回帰(Survival Regression, SuR)は、臨床試験や半導体製造といった重要な応用において、イベントをモデル化するための重要な手法である。 現在、SuRアルゴリズムは3つのクラスのいずれかに属している: 非線形ブラックボックス -- 多くのデータセットへの適応性を実現するが、限定的な解釈性(例:ツリーアンサンブル)を提供する、線形ガラスボックス -- 解釈が容易だが線形相互作用(例:コックス比例的ハザード)のみのモデリングに限定される、非線形ガラスボックス -- 適応性と解釈性を実現するが、経験的にいくつかの制限がある(例:説明可能なブースティングマシン、サバイバルツリー)。 本研究では,データから数式を自動検索するSymbolic Regression (SR) が,解釈可能かつ正確である非線形ガラス箱生存モデルに繋がるかどうかを検討する。 SuRに適応したSRの進化的・多目的的・多目的的実装を提案する。 実世界の5つのデータセットに対する実験結果から、SRはモデル内の次元数当たりの精度で、従来のSuRのガラス箱法を一貫して上回り、ブラックボックス法と同等の精度を示した。 さらに,SuRに対するSRモデルの解釈可能性を評価するための定性的な例を提案する。 コードネームはhttps://github.com/lurovi/SurvivalMultiTree-pyNSGP。

関連論文リスト

• LCEN: A Novel Feature Selection Algorithm for Nonlinear, Interpretable Machine Learning Models [0.0]
  本稿では,非線形で解釈可能な機械学習モデルを作成するためのLASSO-Clip-EN (LCEN)アルゴリズムを提案する。 LCENは、さまざまな人工および経験的なデータセットでテストされている。
  論文  参考訳（メタデータ） (2024-02-27T01:26:48Z)
• Sparse Bayesian Multidimensional Item Response Theory [0.0]
  我々は,大規模なデータセットに対して最小限のチューニングとスケールを必要とする二項および順序項目MIRTのためのベイズプラットフォームを開発する。 ベイズ非パラメトリックスによるツールによる未知の潜在因子次元の問題に対処する。 本手法は, 微小サンプルにおいても高次元合成データの因子次元と潜時構造の両方を確実に回収する。
  論文  参考訳（メタデータ） (2023-10-26T23:50:50Z)
• 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)
• Constructing Effective Machine Learning Models for the Sciences: A Multidisciplinary Perspective [77.53142165205281]
  線形回帰モデルに変数間の変換や相互作用を手動で追加することで、非線形解が必ずしも改善されないことを示す。 データ駆動モデルを構築する前にこれを認識する方法や、そのような分析が本質的に解釈可能な回帰モデルへの移行にどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2022-11-21T17:48:44Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Automated Learning of Interpretable Models with Quantified Uncertainty [0.0]
  我々は遺伝子プログラミングに基づくシンボリックレグレッション(GPSR)の新しい枠組みを導入する。 GPSRはモデルエビデンスを用いて、進化の選択段階における置換確率を定式化する。 従来のGPSR実装と比較して、解釈可能性の向上、ノイズに対する堅牢性の向上、オーバーフィッティングの低減が示されている。
  論文  参考訳（メタデータ） (2022-04-12T19:56:42Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• 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)
• Fast cross-validation for multi-penalty ridge regression [0.0]
  リッジ回帰は高次元データの単純なモデルである。 我々の主な貢献は、多孔質でサンプル重み付けされた帽子行列に対する計算的に非常に効率的な公式である。 ペアデータ型および優先データ型への拡張は、いくつかのがんゲノム生存予測問題に含まれ、図示されている。
  論文  参考訳（メタデータ） (2020-05-19T09:13:43Z)
• Online Tensor-Based Learning for Multi-Way Data [1.0953917735844645]
  オンラインの$CANDECOMP/PARAFAC$分解のために、新しい効率的なテンソルベースの特徴抽出法NeSGDが提案されている。 その結果,提案手法は分類誤り率を大幅に改善し,時間とともに正のデータ分布の変化を同化することができ,全てのケーススタディにおいて高い予測精度を維持した。
  論文  参考訳（メタデータ） (2020-03-10T02:04:08Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。