Feb, 2024

解释变分时间序列模型中的预测方差对于临床恶化预测的影响

PDF
TL;DR使用 delta 方法计算模型预测方差，然后基于 Shapley 值计算变量的重要性，以提供临床决策支持，该方法适用于变分时间序列模型，并可在临床 ICU 数据集上实现预测性能和可解释性的平衡。
explainabilityprediction scoresvarianceclinical decision makingvariational time series models
发现论文，激发创造
  • 使用信息理论 Shapley 值解释预测不确定性

    本文提出一种将 Shapley 值框架用于解释各种预测不确定性的方法，旨在通过量化每个特征对个体模型输出的条件熵的贡献来解释模型输出的不确定度；该方法具有用于协变量转移检测、主动学习、特征选择和主动特征值获取的应用。

    Jun, 2023

  • 稀有事件建模的变分分离

    提出了一种基于极值分布和变分去解耦的方法，用于在高度不平衡的分类问题中学习罕见事件和提高临床决策支持系统的性能。该方法在合成研究和实际临床数据集上具有显著的性能优势，包括 COVID-19 毒性预测。

    Sep, 2020

  • 利用方差特征归因识别预测不确定性的驱动因素

    解释性和不确定性量化是可信赖人工智能的两个基石，本研究提出了一种简单可扩展的方案来解释预测的不确定性，通过使神经网络配备带有高斯输出分布的方差输出神经元来预测方差，然后利用现成的解释器解释模型的不确定性估计。

    Dec, 2023

  • GP-VAE：深度概率时间序列插值

    本文提出一种新的深度顺序潜变量模型，通过高斯过程在时间上平滑演化的抽象低维表示来实现缺失数据的非线性降维和数据插值，旨在解决在医疗和金融等领域中常见的缺失数据问题。我们的方法优于传统的和基于深度学习的数据插值方法，并提供可解释的不确定性估计。

    Jul, 2019

  • 基于方差相关风险标准的策略梯度

    本文提出了一种新的公式来计算环节任务成本的方差，并使用该公式提出了基于局部策略梯度算法的风险管理框架，进一步研究了涉及成本期望和成本方差的准则，最终在投资组合计划问题中应用。

    Jun, 2012

  • 变分预测

    本文提出了一种名为可变预测的方法，该方法可通过使用可变约束直接学习预测分布的可变近似，避免了后验边缘化的计算成本，并在一个玩具实例上演示了该方法。

    Jul, 2023

  • 传统和深度学习模型对纵向医疗记录的可解释性

    该研究评估了传统（XGBoost）和深度学习（LSTM with Attention）模型在全局和个别预测水平上的可解释性表现，并比较了三种流行的解释性方法：SHapley Additive exPlanations（SHAP）、Layer-Wise Relevance Propagation（LRP）和 Attention。该研究发现，总体而言，使用 SHAP 或 LRP 的 LSTM 提供了优于 XGBoost 的可解释性表现，而带有点积 Attention 的 LSTM 则未能产生合理的结果。

    Nov, 2022

  • 证据不确定性量化：一个基于方差的视角

    基于方差的方法扩展到分类问题中，量化分类的不确定性，实验结果显示这种方法在主动领域适应中与基于熵的方法的准确性相似，并提供了关于类别间不确定性和相关性的信息。

    Nov, 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

  • 机器学习软件故障预测的方差：我们真的在改进故障预测吗？

    软件质量保证资源分配中的变异性分析及处理方法研究

    Oct, 2023