深度学习生存模型的基于梯度的解释方法
机器学习
2025-02-10 v1 机器学习
摘要
深度学习生存模型在事件发生时间预测方面通常优于经典方法，特别是在个性化医疗领域，但其“黑箱”特性阻碍了更广泛的采用。我们为生存神经网络量身定制了一个基于梯度的解释方法框架，将其用途扩展到回归和分类之外。我们分析了其理论假设对生存环境下时间相关解释的影响，并提出了结合时间维度的有效可视化方法。在合成数据上的实验表明，基于梯度的方法能够捕捉局部和全局特征效应的大小和方向，包括时间依赖性。我们引入了 GradSHAP(t)，作为 SurvSHAP(t) 的基于梯度的对应方法，该方法在计算速度与准确性的权衡上优于 SurvSHAP(t) 和 SurvLIME。最后，我们将这些方法应用于具有多模态输入的医学数据，揭示了相关的表格特征和视觉模式及其时间动态。
引用
@article{arxiv.2502.04970,
title = {Gradient-based Explanations for Deep Learning Survival Models},
author = {Sophie Hanna Langbein and Niklas Koenen and Marvin N. Wright},
journal= {arXiv preprint arXiv:2502.04970},
year = {2025}
}