Interpretable and Interactive Deep Survival Analysis with Time-dependent EXtreme Gradient Integration
Notice bibliographique
Résumé
Accurate prediction of time-to-event outcomes, commonly known as survival analysis, is vital in high-stakes domains such as healthcare and business, where timely and trustworthy insights can have profound implications. Traditional survival analysis methods either provide predictions without clear explanations or offer interpretability without a mechanism to integrate expert insights. In many real-world scenarios, decision-makers require models that are both transparent and capable of interactively incorporating domain knowledge to refine predictions. The key challenge we address is how to simultaneously achieve accurate time-to-event forecasting, clear interpretability, and interactive integration of expert feedback. We propose the Interpretable and Interactive Deep Discrete-Time Survival Analysis framework, an approach that is both data-driven and knowledge-driven. Furthermore, it embeds expert knowledge into the model, dynamically aligns feature contributions with evolving risk patterns, and actively engages experts to guide the learning process interactively. This interactive strategy not only enhances predictive performance but also produces explanations that clearly reflect the critical factors identified by domain experts. Extensive evaluations on diverse clinical and business datasets demonstrate that our method captures feature importance and yields robust and reliable predictions that stand in contrast to conventional black-box models. These results indicate that bridging interpretability with interactive expert engagement can significantly improve decision support systems. By integrating accurate forecasting with human-aligned, interactive explanations, our framework offers a promising direction for developing more transparent and trusted models across a wide range of disciplines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».