論文の概要: Functional Decomposition and Shapley Interactions for Interpreting Survival Models

• arxiv url: http://arxiv.org/abs/2602.16505v1
• Date: Wed, 18 Feb 2026 14:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.62232
• Title: Functional Decomposition and Shapley Interactions for Interpreting Survival Models
• Title（参考訳）: 生存モデル解釈のための機能的分解と共有相互作用
• Authors: Sophie Hanna Langbein, Hubert Baniecki, Fabian Fumagalli, Niklas Koenen, Marvin N. Wright, Julia Herbinger,
• Abstract要約: SurvFD(Survival Functional Decomposition)は、機械学習サバイバルモデルにおける特徴的相互作用を分析するための原則的アプローチである。 高次効果を時間に依存しないコンポーネントと時間に依存しないコンポーネントに分解することで、SurvFDは生存説明に関してこれまで認識されていなかった視点を提供する。 この理論的な分解に基づいてSurvSHAP-IQを提案し、SurvSHAP-IQはシャプリー相互作用を時間インデクシング関数に拡張する。
• 参考スコア（独自算出の注目度）: 9.019735074088162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hazard and survival functions are natural, interpretable targets in time-to-event prediction, but their inherent non-additivity fundamentally limits standard additive explanation methods. We introduce Survival Functional Decomposition (SurvFD), a principled approach for analyzing feature interactions in machine learning survival models. By decomposing higher-order effects into time-dependent and time-independent components, SurvFD offers a previously unrecognized perspective on survival explanations, explicitly characterizing when and why additive explanations fail. Building on this theoretical decomposition, we propose SurvSHAP-IQ, which extends Shapley interactions to time-indexed functions, providing a practical estimator for higher-order, time-dependent interactions. Together, SurvFD and SurvSHAP-IQ establish an interaction- and time-aware interpretability approach for survival modeling, with broad applicability across time-to-event prediction tasks.
• Abstract（参考訳）: ハザード関数とサバイバル関数は、時間から時間への予測において自然に解釈可能なターゲットであるが、その固有の非付加性は、標準加法的説明法を根本的に制限する。 SurvFD(Survival Functional Decomposition)は、機械学習サバイバルモデルにおける特徴的相互作用を分析するための原則的アプローチである。 時間に依存しないコンポーネントと時間に依存しないコンポーネントに高次効果を分解することで、SurvFDは生存説明についてこれまで認識されていなかった視点を提供し、追加説明が失敗する時期と理由を明確に特徴づける。 この理論的な分解に基づいて、SurvSHAP-IQを提案する。これはシャプリー相互作用を時間差分関数に拡張し、高次時間依存相互作用の実用的な推定器を提供する。 SurvFDとSurvSHAP-IQは共に生存モデリングのための相互作用と時間認識の解釈可能性のアプローチを確立し、時間から時間までの予測タスクに広く適用可能である。

関連論文リスト

• A Self-explainable Model of Long Time Series by Extracting Informative Structured Causal Patterns [22.54910673667678]
  本稿では,解釈可能な時系列モデリングのための統合フレームワークEXCAPを提案する。 EXCAPは時間とともにスムーズで安定した説明を提供し、因果マスクの摂動に頑健であることを示す。 これらの結果から、EXCAPは、医療や金融といった高額な領域に関係した、時系列の解釈可能なモデリングに対して、原則的かつスケーラブルなアプローチを提供することを示している。
  論文  参考訳（メタデータ） (2025-12-01T08:33:33Z)
• Priors in Time: Missing Inductive Biases for Language Model Interpretability [58.07412640266836]
  スパースオートエンコーダは、時間とともに概念の独立を前提としており、定常性を暗示している。 本稿では,時間的帰納バイアスを持つ新たな解釈可能性目標である時間的特徴分析を導入し,その表現を2つの部分に分解する。 私たちの結果は、堅牢な解釈可能性ツールの設計において、データにマッチする帰納的バイアスの必要性を浮き彫りにしています。
  論文  参考訳（メタデータ） (2025-11-03T18:43:48Z)
• Enhancing Visual Interpretability and Explainability in Functional Survival Trees and Forests [0.0]
  本研究では,FST(Functional Survival Tree)とFRSF(Functional Random Survival Forest)の2つの主要な生存モデルについて検討する。 FSTモデルの解釈可能性を高め、FRSFアンサンブルの説明可能性を向上させるための新しい手法とツールを導入している。
  論文  参考訳（メタデータ） (2025-04-25T17:11:10Z)
• 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)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Learning Survival Distribution with Implicit Survival Function [15.588273962274393]
  強い仮定を伴わない生存分布推定のためのインプシットニューラルネットワーク表現に基づくインプシット生存関数(ISF)を提案する。 実験の結果、ICFは3つの公開データセットで最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-24T02:51:29Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。