論文の概要: SurvCF(t): Counterfactual Explanations for Survival Analysis in Predictive Maintenance Multivariate Time Series Data

• arxiv url: http://arxiv.org/abs/2607.16969v1
• Date: Sat, 18 Jul 2026 21:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.312866
• Title: SurvCF(t): Counterfactual Explanations for Survival Analysis in Predictive Maintenance Multivariate Time Series Data
• Title（参考訳）: SurvCF(t):予測保守多変量時系列データにおける生存分析の非現実的説明
• Abstract要約: textitSurvCF(t)は,時系列データ上で動作している生存モデルに対して,対実的な説明を生成するための最初のフレームワークである。 textitSurvCF(t)は、予測寿命を増加させる、資産の運用履歴に対する最小限、可塑性、時間的に一貫した変更を識別する。 以上の結果から, textitSurvCF(t) は生存予測と規範的メンテナンスのギャップを埋め, メンテナンス戦略における説明可能な, 決定指向のAIを実現する。
• 参考スコア（独自算出の注目度）: 5.77414732529171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive maintenance relies on accurate Remaining Useful Life estimation, often formulated using survival analysis over multivariate time-series data. While modern deep survival models achieve strong predictive performance, their black-box nature limits their use in safety-critical settings where actionable insight is required. In this work, we introduce \textit{SurvCF(t)}, the first framework for generating counterfactual explanations for survival models operating on time-series data. \textit{SurvCF(t)} identifies minimal, plausible, and temporally consistent changes to an asset's operational history that increase its predicted life time, framing explanation as a constrained optimization problem combining validity, proximity, sparsity, and plausibility. We evaluate the method on multiple benchmarks, including C-MAPSS, N-CMAPSS, and a real-world case study of the Scania Component\_X dataset, demonstrating its ability to produce actionable and interpretable interventions. Our results show that \textit{SurvCF(t)} bridges the gap between survival prediction and prescriptive maintenance, enabling explainable and decision-oriented AI for maintenance strategies.
• Abstract（参考訳）: 予測的メンテナンスは、しばしば多変量時系列データ上で生存分析を用いて定式化される、正確な寿命推定に頼っている。 現代のディープサバイバルモデルは強い予測性能を達成する一方で、ブラックボックスの性質は、行動可能な洞察を必要とする安全クリティカルな環境での使用を制限する。 そこで本研究では,時系列データを用いた生存モデルに対する逆実効的な説明を生成するための最初のフレームワークである \textit{SurvCF(t)} を紹介する。 textit{SurvCF(t)} は、資産の運用履歴の最小限、可塑性、時間的に一貫した変化を識別し、その寿命を予測し、妥当性、近接性、疎性、可算性を組み合わせた制約付き最適化問題として説明する。 C-MAPSS, N-CMAPSS, およびScania Component\_X データセットの実例分析を行い, 動作可能な, 解釈可能な介入を生成する能力を実証した。 以上の結果から,<textit{SurvCF(t)} は生存予測と規範的メンテナンスのギャップを埋めることにより,メンテナンス戦略における説明可能な,意思決定指向のAIを実現することが示唆された。

関連論文リスト

• DynSHAP: Towards Explainable Dynamic Survival Analysis [12.866975501183967]
  動的生存分析(DSA)のための深層学習モデルは, 縦断的患者データを組み込むことで, 高い予測性能が得られる。 既存の説明可能性法は、長手、不規則な入力と機能的生存出力を同時に扱うことはできない。 動的生存解析に適したSHAPフレームワークであるDynSHAPを提案する。
  論文  参考訳（メタデータ） (2026-09-11T16:39:55Z)
• SurvivalPFN: Amortizing Survival Prediction via In-Context Bayesian Inference [17.180509074623004]
  SurvivalPFNは、文脈内学習による検閲された観察に対するベイズ推定を記憶する事前データ付きネットワークである。 SurvivalPFNは、合成、同定可能、および右チャージされたデータ生成プロセスの様々なファミリーで事前訓練されており、推論中に単一の前方通過で生存分析を減弱することができる。 61のデータセット、21のメソッド、および5つの評価指標にまたがる大規模なベンチマークでは、SurvivalPFNは強力な予測性能を達成し、確立された生存モデルを改善することが多い。
  論文  参考訳（メタデータ） (2026-05-15T00:13:04Z)
• Survival In-Context: Prior-fitted In-context Learning Tabular Foundation Model for Survival Analysis [19.308150844590916]
  Survival In-Context (SIC) は、生存分析のための文脈内学習モデルである。 SICは単一の前方通過で個別化された生存予測を生成する。 SICは、古典的モデルやディープサバイバルモデルと比較して、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-31T09:22:52Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Robust Multi-Modal Forecasting: Integrating Static and Dynamic Features [0.0]
  時系列予測は様々な応用、特に医療において重要な役割を担っている。 これらのタスクに責任を負うモデルの透明性と説明可能性を保証することは、重要な設定で採用するために不可欠である。 最近の研究は、予測時系列の傾向と特性を理解することに焦点を当てた、双方向透明性に対するトップダウンアプローチを探求している。
  論文  参考訳（メタデータ） (2025-05-21T04:12:12Z)
• Self-Consistent Equation-guided Neural Networks for Censored Time-to-Event Data [11.550402345767141]
  本稿では,自己整合方程式を利用した生成逆数ネットワークを用いた条件付き生存関数の非パラメトリック推定手法を提案する。 提案手法はモデルフリーであり,条件付き生存関数の構造に関するパラメトリックな仮定は不要である。
  論文  参考訳（メタデータ） (2025-03-12T06:24:35Z)
• SurvHive: a package to consistently access multiple survival-analysis packages [0.0]
  SurvHiveはPythonベースのフレームワークで、Scikit-learnをモデルとしたコヒーレントかつインターフェース内でサバイバル分析メソッドを統合するように設計されている。 SurvHiveは古典的な統計モデルと最先端のディープラーニングアプローチを統合しており、トランスフォーマーベースのアーキテクチャやパラメトリックサバイバルモデルを含んでいる。
  論文  参考訳（メタデータ） (2025-02-04T11:02:40Z)
• 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)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)

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。