SurvReLU：通过深度 ReLU 网络实现固有可解释的生存分析
机器学习
2024-08-16 v2
摘要
生存分析对带有删失的时间-事件分布进行建模。近年来，使用神经网络的深度生存模型因其表示能力和性能而占据主导地位。然而，其“黑箱”特性阻碍了可解释性，而这在实际应用中至关重要。相比之下，基于树的“白箱”生存模型提供了更好的可解释性，但由于贪婪扩展而难以收敛到全局最优。本文通过深度修正线性单元（ReLU）网络，弥合了先前深度生存模型与传统树基生存模型之间的差距。我们证明，精心构建的深度 ReLU 网络（SurvReLU）能够结合树结构的可解释性与深度模型的表示能力。在合成和真实生存基准数据集上的实证研究表明，SurvReLU 在性能和可解释性方面均表现出有效性。代码可在 \href{https://github.com/SurvReLU}{\color{magenta}{https://github.com/SurvReLU}} 获取。
引用
@article{arxiv.2407.14463,
title = {SurvReLU: Inherently Interpretable Survival Analysis via Deep ReLU Networks},
author = {Xiaotong Sun and Peijie Qiu and Shengfan Zhang},
journal= {arXiv preprint arXiv:2407.14463},
year = {2024}
}