SurvReLU: Inherently Interpretable Survival Analysis via Deep ReLU Networks

要約

生存分析では、検閲を使用してイベント発生までの時間分布をモデル化します。
最近では、ニューラル ネットワークを使用したディープ サバイバル モデルが、その表現力と最先端のパフォーマンスにより主流となっています。
ただし、その「ブラックボックス」の性質により、実際のアプリケーションでは重要な解釈可能性が妨げられます。
対照的に、「ホワイトボックス」ツリーベースの生存モデルは、より優れた解釈性を提供しますが、貪欲な拡張により大域最適に収束するのに苦労します。
この論文では、深層整流線形ユニット (ReLU) ネットワークを通じて、以前の深層生存モデルと従来のツリーベースの生存モデルの間のギャップを橋渡しします。
我々は、意図的に構築されたディープ ReLU ネットワーク (SurvReLU) が、ディープ サバイバル モデルの表現力を備えたツリーベースの構造の解釈可能性を活用できることを示します。
シミュレートされた生存ベンチマーク データセットと実際の生存ベンチマーク データセットの両方に関する実証研究により、パフォーマンスと相互運用性の観点から提案された SurvReLU の有効性が示されています。
コードは \href{https://github.com/xs018/SurvReLU}{\color{magenta}{ https://github.com/xs018/SurvReLU}} で入手できます。

要約(オリジナル)

Survival analysis models time-to-event distributions with censorship. Recently, deep survival models using neural networks have dominated due to their representational power and state-of-the-art performance. However, their ‘black-box’ nature hinders interpretability, which is crucial in real-world applications. In contrast, ‘white-box’ tree-based survival models offer better interpretability but struggle to converge to global optima due to greedy expansion. In this paper, we bridge the gap between previous deep survival models and traditional tree-based survival models through deep rectified linear unit (ReLU) networks. We show that a deliberately constructed deep ReLU network (SurvReLU) can harness the interpretability of tree-based structures with the representational power of deep survival models. Empirical studies on both simulated and real survival benchmark datasets show the effectiveness of the proposed SurvReLU in terms of performance and interoperability. The code is available at \href{https://github.com/xs018/SurvReLU}{\color{magenta}{ https://github.com/xs018/SurvReLU}}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google