Aug, 2021

决策树的解释能力

PDF
TL;DR本文研究布尔决策树在导出、最小化和计数足够原因和对比解释方面的计算能力，证明了给定决策树的实例的最小大小的所有足够原因集合可以指数级大于输入大小，因此生成完整的足够原因集合可能是不可行的，而生成一个足够原因集无法证明是充分的，介绍了相关特征和必要特征的概念以及解释重要性的概念，并展示了如何通过一个模型计数操作获取特征重要性和足够原因的数量，最后表明，与足够的理由不同，决策树给定实例的所有对比解释可以在多项式时间内导出、最小化和计数。
发现论文，激发创造
  • 计算决策树概率解释

    论文解决了决策树上计算 δ 足够原因的计算复杂度，发现在包含方式和大小方面都不具有多项式时间算法，但在确定性情况下具有易于计算的特点。

    Jun, 2022

  • 关于必要和充分解释的计算

    本文介绍了决策的完整原因的概念和应用，并研究了其计算方法，包括多类决策树和带有名义和数值特征的图形的完整原因的计算、最短必要和充分原因算法的探讨。

    Mar, 2022

  • 使用非二元特征的分类器的新解释类别

    研究了分类器的决策规律，提出了两种解释的方法：有支撑和对比解释。当处理非二分特征时，这些解释会受到显著影响，在此基础上，提出了一种新的完备原因的概念及其量化运算符。

    Apr, 2023

  • 决策树的证明精确、简洁和高效解释

    本篇论文研究用于决策树的最小的 delta 相关集的计算方法，提出两种用于计算决策树最小的 delta 相关集的逻辑编码并设计一个多项式时间复杂度的算法，并且实验结果表明这些计算方法是实用的。

    May, 2022

  • 概率充分解释

    本研究提出了概率充分解释的理念，即通过 “足够简单” 的特征子集来 “足以” 解释分类行为，并结合可扩展的概率推理算法设计出可行的实现方案。实验证明，本算法找到的充分解释更有效，且优于基准模型 Anchors 和逻辑解释。

    May, 2021

  • 关于决策背后原因的探讨

    本文探讨机器学习分类器编译成布尔电路同样具有输入 - 输出行为，定义二进制分类器决策背后的决策原因，并阐述其在应用层面的影响。此外，还提出了 “充分的”，“必要的” 和 “完整的” 决策原因的概念，以及对分类器和决策偏差的定义。根据这些概念，我们提出了高效的算法，并使用案例研究来论证它们的实用性。

    Feb, 2020

  • 处理决策树中的解释冗余问题

    本文证明了决策树并不总是能够提供简明易懂的解释，因为存在着解释冗余的路径。文章提出了一种理论严谨的路径解释方法，并提供了多项实验结果来支持这一结论。文章还提出了一种消除路径解释冗余的算法，可以实现简约而不失理解性的解释。

    May, 2022

  • 解释决策树

    该研究提出了一种计算 DT 的极小解释集 PI-explanations 的新模型，该模型可在多项式时间内计算一个 PI-explanation，并将枚举 PI-explanations 减少到枚举最小击中集的数量。实验结果表明，在大多数情况下，DT 的路径是 PI-explanations 的子集。

    Oct, 2020

  • 决策树的充分理由无法近似

    本文研究了决策树的 delta - 充分原因的最小尺寸计算问题的逼近难度。

    Apr, 2023

  • Boosted Trees 的归纳解释计算

    介绍了一种用于 Boosted Tree 模型中的推导解释生成的新方法，称为树特定解释，可以在多项式时间内计算，实验证明该方法具有较高的可扩展性。

    Sep, 2022