Buchumschlag

Interpretable Prediction and Feature Selection for Survival Analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Van Ness, Mike, Udell, Madeleine
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DNAMite: Interpretable Calibrated Survival Analysis with Discretized Additive Models
von: Van Ness, Mike, et al.
Veröffentlicht: (2024)

dnamite: A Python Package for Neural Additive Models
von: Van Ness, Mike, et al.
Veröffentlicht: (2025)

PDE-SHARP: PDE Solver Hybrids through Analysis and Refinement Passes
von: Fazliani, Shaghayegh, et al.
Veröffentlicht: (2025)

Enhancing Physics-Informed Neural Networks Through Feature Engineering
von: Fazliani, Shaghayegh, et al.
Veröffentlicht: (2025)

SAPPHIRE: Preconditioned Stochastic Variance Reduction for Faster Large-Scale Statistical Learning
von: Sun, Jingruo, et al.
Veröffentlicht: (2025)

Small Gradient Norm Regret for Online Convex Optimization
von: Gao, Wenzhi, et al.
Veröffentlicht: (2026)

Understanding Fixed Predictions via Confined Regions
von: Lawless, Connor, et al.
Veröffentlicht: (2025)

SnareNet: Flexible Repair Layers for Neural Networks with Hard Constraints
von: Chu, Ya-Chi, et al.
Veröffentlicht: (2026)

SketchySGD: Reliable Stochastic Optimization via Randomized Curvature Estimates
von: Frangella, Zachary, et al.
Veröffentlicht: (2022)

PROMISE: Preconditioned Stochastic Optimization Methods by Incorporating Scalable Curvature Estimates
von: Frangella, Zachary, et al.
Veröffentlicht: (2023)

LLMs for Cold-Start Cutting Plane Separator Configuration
von: Lawless, Connor, et al.
Veröffentlicht: (2024)

Gradient Methods with Online Scaling
von: Gao, Wenzhi, et al.
Veröffentlicht: (2024)

Gradient Methods with Online Scaling Part I. Theoretical Foundations
von: Gao, Wenzhi, et al.
Veröffentlicht: (2025)

Provable and Practical Online Learning Rate Adaptation with Hypergradient Descent
von: Chu, Ya-Chi, et al.
Veröffentlicht: (2025)

Gradient Methods with Online Scaling Part II. Practical Aspects
von: Chu, Ya-Chi, et al.
Veröffentlicht: (2025)

Local Feature Selection without Label or Feature Leakage for Interpretable Machine Learning Predictions
von: Oosterhuis, Harrie, et al.
Veröffentlicht: (2024)

Challenges in Training PINNs: A Loss Landscape Perspective
von: Rathore, Pratik, et al.
Veröffentlicht: (2024)

ShapeBench: A Scalable Benchmark and Diagnostic Suite for Standardized Evaluation in Aerodynamic Shape Optimization
von: Fazliani, Shaghayegh, et al.
Veröffentlicht: (2026)

Interpretable Machine Learning for Survival Analysis
von: Langbein, Sophie Hanna, et al.
Veröffentlicht: (2024)

Assessing Cyclostationary Malware Detection via Feature Selection and Classification
von: Nkongolo, Mike
Veröffentlicht: (2023)

Survival Kernets: Scalable and Interpretable Deep Kernel Survival Analysis with an Accuracy Guarantee
von: Chen, George H.
Veröffentlicht: (2022)

DeepSelective: Interpretable Prognosis Prediction via Feature Selection and Compression in EHR Data
von: Zhang, Ruochi, et al.
Veröffentlicht: (2025)

Turbocharging Gaussian Process Inference with Approximate Sketch-and-Project
von: Rathore, Pratik, et al.
Veröffentlicht: (2025)

Evolving Features vs Evolving Entire Trees with GP for Interpretable Survival Analysis
von: Schlender, Thalea, et al.
Veröffentlicht: (2026)

Universal Feature Selection for Simultaneous Interpretability of Multitask Datasets
von: Raymond, Matt, et al.
Veröffentlicht: (2024)

EAGLE: Efficient Alignment of Generalized Latent Embeddings for Multimodal Survival Prediction with Interpretable Attribution Analysis
von: Tripathi, Aakash, et al.
Veröffentlicht: (2025)

CRISP-NAM: Competing Risks Interpretable Survival Prediction with Neural Additive Models
von: Ramachandram, Dhanesh, et al.
Veröffentlicht: (2025)

ADHAM: Additive Deep Hazard Analysis Mixtures for Interpretable Survival Regression
von: Ketenci, Mert, et al.
Veröffentlicht: (2025)

Automated and Interpretable Survival Analysis from Multimodal Data
von: Malafaia, Mafalda, et al.
Veröffentlicht: (2025)

Dynamic Survival Analysis for Early Event Prediction
von: Yèche, Hugo, et al.
Veröffentlicht: (2024)

Neural Diffusion Processes for Physically Interpretable Survival Prediction
von: Cristofoletto, Alessio, et al.
Veröffentlicht: (2025)

PPFS: Predictive Permutation Feature Selection
von: Hassan, Atif, et al.
Veröffentlicht: (2021)

Dynamical Survival Analysis with Controlled Latent States
von: Bleistein, Linus, et al.
Veröffentlicht: (2024)

LCEN: A Nonlinear, Interpretable Feature Selection and Machine Learning Algorithm
von: Seber, Pedro, et al.
Veröffentlicht: (2024)

BeST -- A Novel Source Selection Metric for Transfer Learning
von: Soni, Ashutosh, et al.
Veröffentlicht: (2025)

From Pixels to Perception: Interpretable Predictions via Instance-wise Grouped Feature Selection
von: Vandenhirtz, Moritz, et al.
Veröffentlicht: (2025)

Have ASkotch: A Neat Solution for Large-scale Kernel Ridge Regression
von: Rathore, Pratik, et al.
Veröffentlicht: (2024)

OncoReason: Structuring Clinical Reasoning in LLMs for Robust and Interpretable Survival Prediction
von: Hemadri, Raghu Vamshi, et al.
Veröffentlicht: (2025)

Interpretable Non-linear Survival Analysis with Evolutionary Symbolic Regression
von: Rovito, Luigi, et al.
Veröffentlicht: (2025)

Interpretable Bayesian Tensor Network Kernel Machines with Automatic Rank and Feature Selection
von: Kilic, Afra, et al.
Veröffentlicht: (2025)