用于临床时间序列可靠且可解释预测的不确定性感知深度集成
机器学习
2020-12-16 v1 信号处理
摘要
基于深度学习的支持系统在众多涉及时间序列数据处理的临床应用中已展现出令人鼓舞的结果。虽然此类系统通常非常准确，但它们没有内在机制来解释什么影响了预测，而这对临床任务至关重要。然而，现有的可解释性技术缺乏可信赖且可靠决策支持的一个重要组成部分，即不确定性的概念。本文中，我们通过提出一种深度集成方法来解决这种不确定性的缺失，其中独立训练一组 DNN。通过取集成中每个模型产生的相关性分数的标准差来计算相关性分数中的不确定性度量，进而用于使解释更可靠。类激活映射方法用于为时间序列中的每个时间步分配相关性分数。结果表明，所提出的集成在定位相关时间步上更准确，且在随机初始化间更具一致性，从而使模型更值得信赖。所提出的方法为构建处理临床时间序列以用于医疗相关任务的可信且可靠的支持系统铺平了道路。
引用
@article{arxiv.2010.11310,
title = {Uncertainty-Aware Deep Ensembles for Reliable and Explainable Predictions of Clinical Time Series},
author = {Kristoffer Wickstrøm and Karl Øyvind Mikalsen and Michael Kampffmeyer and Arthur Revhaug and Robert Jenssen},
journal= {arXiv preprint arXiv:2010.11310},
year = {2020}
}
备注
11 pages, 9 figures, code at https://github.com/Wickstrom/TimeSeriesXAI