利用基于梯度的潜在插值对非结构化数据空间中的风险因素进行建模
机器学习
2021-11-18 v2
摘要
深度学习在生存分析 (SA) 中的应用使得能够利用传统生存方法中不常见的非结构化和高维数据类型。这使得数字健康、预测性维护和流失分析等领域的分析方法得以进步，但由于基于深度学习方法的黑盒特性，往往产生可解释性和直观理解性较差的模型。我们通过提出以下两点来弥补这一差距：1) 具有生存目标的多任务变分自编码器 (VAE)，生成面向生存的嵌入；2) 一种名为 HazardWalk 的新方法，允许在原始数据空间中对风险因素进行建模。HazardWalk 将我们自编码器的潜在分布转换为风险最大化/最小化的区域，然后使用解码器将变化投影回原始域。我们的程序在模拟数据集以及肝转移患者 CT 成像数据集上进行了评估。
引用
@article{arxiv.2110.11312,
title = {Towards modelling hazard factors in unstructured data spaces using gradient-based latent interpolation},
author = {Tobias Weber and Michael Ingrisch and Bernd Bischl and David Rügamer},
journal= {arXiv preprint arXiv:2110.11312},
year = {2021}
}
备注
NeurIPS 2021 Workshop, Deep Generative Models and Downstream Applications