arXiv cs.AI· Nastasya Anokhina, Jonas J\"ur{\ss}, Pietro Li\`o·· 11 小时前AI 评分31
DynSHAP：面向可解释动态生存分析的 SHAP 框架
DynSHAP: Towards Explainable Dynamic Survival Analysis
AI 导读
DynSHAP 是专为动态生存分析（DSA）设计的 SHAP 框架，将时间—特征对视为 Shapley 博弈中的参与者，把常用边际 SHAP 估计器扩展到纵向不规则输入与函数型生存输出场景。
正文 · AI 翻译
摘要：用于动态生存分析（DSA）的深度学习模型通过纳入纵向患者数据实现了强大的预测性能，但其黑箱性质限制了临床信任与采用。现有的可解释性方法无法同时处理纵向、不规则输入与函数型生存输出，这限制了它们在 DSA 中的可用性。我们提出 DynSHAP，一个专门适用于动态生存分析的 SHAP 框架。它通过将时间—特征对视为 Shapley 博弈中的参与者，将常见的边际 SHAP 估计器扩展到这一设定。我们进一步引入 Temporal DynSHAP，它学习特征随时间的线性依赖关系，并使用条件采样在解释中处理这些依赖。当应用于具有已知真实归因的合成数据时，对于给定的最先进模型，Temporal DynSHAP 比边际估计器更准确地恢复时间依赖特征。应用于两个真实世界临床数据集和两种 DSA 架构时，DynSHAP 生成的归因忠实于模型学习，使医学专家能够看到哪些患者信息驱动了预测以及何时驱动。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.13042 [cs.LG] |
| （或 arXiv:2609.13042v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.13042 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Nastasya Anokhina [查看电子邮件]
[v1]
2026年9月11日星期五 16:39:55 UTC（2,943 KB）
[v2]
2026年11月5日星期四 12:11:57 UTC（2,944 KB）
来源：arXiv cs.AI · arxiv.org