Dec, 2023

SurvBeNIM：基于 Beran 的神经重要性模型用于解释生存模型

PDF
TL;DR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。
survbenimmachine learningneural networksexplanation methodsnumerical experiments
发现论文，激发创造
  • SurvBeX：基于 Beran 估计的机器学习生存模型的解释方法

    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。

    Aug, 2023

  • 通过神经网络的近似推理进行贝叶斯生存分析

    本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。

    Apr, 2024

  • 神经网络可扩展的离散时间生存模型

    本文介绍了一种名为 Nnet-survival 的离散时间生存模型，适用于神经网络在医学预测任务中的应用。该模型由 Keras 深度学习框架实现，具有灵活性，能够根据随访时间的不同变化基线风险和输入数据对危险概率的影响。在模拟和实际数据集上的表现优于 Cox-nnet 和 Deepsurv 等已有模型。

    May, 2018

  • BAMBI: 盲加速多模贝叶斯推断

    本文介绍了一种快速贝叶斯分析算法，结合了嵌套抽样和人工神经网络的优点，能够显着提高似然函数的快速逼近，进而减少时间和计算量，可用于计算昂贵的似然函数的其他问题。

    Oct, 2011

  • 利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

    应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

    Mar, 2024

  • 基于运行数据和神经网络的用途特定生存建模

    传统神经网络生存模型在预测组件故障时间方面表现出准确预测的特点，但数据采样不均匀时需要重新采样以获得好的结果，而随机重新采样是减少训练数据量的有效方法。

    Mar, 2024

  • 神经网络中的高效贝叶斯推断：通过自适应重要性抽样实现

    本文提出了一种名为 PMCnet 的新算法，该算法采用自适应重要性采样技术，利用复杂的（通常是多峰的）后验概率分布的几何信息，为设计贝叶斯神经网络提供了成功的方法，以实现在医疗保健或自动驾驶等决策重要性较大的领域中的机器学习应用，并同时降低了计算成本。

    Oct, 2022

  • 基于多任务框架的深度神经网络用于生存分析

    本文介绍了一种基于 Multi-Task Logistic Regression（MTLR）模型和深度学习架构作为核心的新方法，用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard（CoxPH）模型，并且可以帮助企业预测客户购买产品、流失或贷款违约的时间，从而提高回报率。

    Jan, 2018

  • AIS-BN：用于大型贝叶斯网络证据推理的自适应重要性采样算法

    该论文提出了一种自适应重要性抽样算法 (AIS-BN)，其在极端条件下表现出有前途的收敛率且一致优于现有采样算法，在多个测试案例中达到了数量级的精度和速度改进。

    Jun, 2011

  • 反向生存模型（RSM）：解释深度生存模型预测的流程

    研究提出反向生存模型 (RSM) 框架，以解释和证明深度生存模型的决策过程，通过在给定数据集中提取类似患者并根据深度生存模型依赖的最相关特征对其进行排名，以提高其在医疗保健中的可靠性和可解释性。

    Oct, 2022