Aug, 2023

SurvBeX：基于 Beran 估计的机器学习生存模型的解释方法

PDF
TL;DR提出了一种名为 SurvBeX 的解释方法，用于解释机器学习生存黑盒模型的预测。该方法的主要思想是使用修改后的 Beran 估计器作为替代解释模型，并通过最小化黑盒模型与 Beran 估计器之间的平均距离来找到解释系数。通过使用合成和真实生存数据进行的多个数值实验表明 SurvBeX 的效率，并与 SurvLIME 和 SurvSHAP 进行了比较。
发现论文，激发创造
  • SurvBeNIM：基于 Beran 的神经重要性模型用于解释生存模型

    提出了一种名为 SurvBeNIM 的新方法，通过将重要函数纳入其核函数并将这些重要函数实现为一组联合训练的神经网络，从而解释机器学习生存模型的预测，其中以生存或累积危险函数的形式呈现。该方法提出了两种使用和训练整个实现 SurvBeNIM 的神经网络的策略，不同于现有的解释方法的多种数值实验进行了比较，同时还提供了公开可用的实现代码。

    Dec, 2023

  • survex：用于解释机器学习生存模型的 R 包

    介绍 Survex R 包，通过应用可解释的人工智能技术，提供了一种解释任何生存模型的协同框架，能够理解和诊断生存模型，并揭示决策过程中的洞察力，透明度和责任性增强，有助于敏感领域（如生物医学和医疗领域）的可靠模型评估和偏差检测。

    Aug, 2023

  • SurvSHAP (t): 机器学习生存模型的时间依赖性解释

    本文介绍一种基于 SHapley 加性解释的 SurvSHAP (t) 方法，使用其可以对时间相关的生存黑盒模型进行解释，提高精度诊断，支持领域专家决策。实验结果表明，SurvSHAP (t) 对时间相关变量的影响检测更准确，其聚合也比 SurvLIME 更好地确定了预测的变量重要性。

    Aug, 2022

  • BOREx: 基于贝叶斯优化的显著性图像和视频分类模型的优化

    本文提出了一种名为 BOREx 的基于贝叶斯优化的黑盒方法，通过高斯过程回归对其他解释方法生成的热力图进行改进，从而提高图像分类结果的可信度和精度。

    Oct, 2022

  • SurvLIMEpy: 一个实现 SurvLIME 的 Python 包

    本文介绍了一款名为 SurvLIMEpy 的 Python 工具包，实现了 SurvLIME 算法，可用于计算模型预测的生存分析数据的局部特征重要性，并提供了可视化工具来更好地理解算法结果，支持多种生存模型。通过模拟数据和三个公开生存数据集的实验，研究了算法捕捉特征重要性和应用不同模型时的行为。

    Feb, 2023

  • 深度 Cox 混合以实现生存回归

    提出了一种基于混合 Cox 回归模型的新方法，其中硬指派混合组来进行优化，每个组分配使用深度神经网络拟合组内的风险率，并针对每个混合成分进行非参数基线风险拟合。在多个真实数据集上进行了实验，并研究了不同种族和性别的患者的死亡率。结果表明，该方法在医疗保健领域的判别性能和校准性方面都优于经典和现代生存分析，对于少数民族人群的性能优势更为明显。

    Jan, 2021

  • 可解释的机器学习用于生存分析

    通过对现有的解释性机器学习方法的综述，我们详细介绍了如何将常用的解释性机器学习方法应用于生存分析，以实现对模型决策或预测的理解。并且通过对加纳儿童 5 岁以下死亡率的实际数据的应用，展示了如何在实践中使用这些技术来促进对模型决策或预测的理解。

    Mar, 2024

  • 超越 LIME 的替代预测解释

    本文提出一种算法框架 bLIMEy，用于构建定制的本地替代解释器，其中包括 LIME，该框架独立且可互操作，并讨论了组件选择对结果解释器功能能力的影响。

    Oct, 2019

  • 黑匣子 NLP 模型的解释：一项调查

    本文提出了一种基于中心极限定理的假设检验框架以确定所需扰动点的数量，从而保障解释稳定性的方法 S-LIME，以解决黑箱模型的可解释性问题。对模拟数据集和实际数据集进行的实验表明了该方法的有效性。

    Mar, 2022

  • 可解释的人工智能在生存分析中的应用：一种中位数 - SHAP 方法

    采用机器学习进入常规临床实践需要可解释的人工智能方法，Shapley 值已引起广泛关注，但其解释在很大程度上取决于摘要统计量和估计方法，这进而决定了我们所确定的 “锚点”，我们发现使用平均锚点的传统方法可能对生存分析产生误导性的解释，因此引入了中值 - SHAP 方法，用于解释预测个体存活时间的黑盒模型。

    Jan, 2024