Apr, 2023

模糊概率决策树辅助临床实践

PDF
TL;DR本文提出了一种基于概率树和模糊逻辑的全面可解释的诊断辅助方法 FPT (MedFP)，并将其作为一个概念验证应用于甲状腺结节分型和慢性肾脏疾病进展风险预测中，在提供较少错诊的同时提供意外事件及诊断不确定性的判断。实验结果表明，使用模糊变量的概率模型可以提供更多细节，并且 FPT 和其预测在医疗实践中具有直观的辅助作用，并配备专门为此目的设计的用户界面。
interpretable aifptmedical practiceprobabilistic treesfuzzy logic
发现论文，激发创造
  • 预测的政策树：机器学习中可解释和自适应的模型选择

    通过开发一种树基的方法学，Optimal Predictive-Policy Trees (OP2T)，我们提出了一种规定性方法来解决机器学习模型选择中的关键问题，从而产生可解释的适应性策略以选择预测模型或集成，并具有参数化选项拒绝进行预测。

    May, 2024

  • 可解释的客户决策树聚合方法用于联邦学习

    我们提出了一种适用于联邦学习场景的可解释客户端决策树聚合过程，保持了用于聚合的基本决策树的可解释性和精确性。该模型基于聚合决策树的多个决策路径，可应用于不同类型的决策树，如 ID3 和 CART，实验证明该模型构建的树改进了本地模型，并优于最先进的方法。

    Apr, 2024

  • 提高决策树模型的稳定性

    通过研究实际医疗应用中的决策树模型，引入了一种新的距离度量方法并提出了一种新的训练方法，以增强模型的稳定性，探究决策树稳定性、预测能力和可解释性之间的平衡。在六个实际医疗应用案例的定量和定性分析中表明，通过小幅度的预测能力下降（4.6%），可以显著提高模型的稳定性（38%）。

    May, 2023

  • 可解释聚类的最优决策树

    本文提出了一种新的基于 SAT 的可解释聚类框架，支持聚类约束，同时提供强有力的解决方案质量理论保证，并给出了关于解释性和满足用户约束之间权衡的新见解。

    Jan, 2023

  • 可解释模型的概率式数据集重建

    解释性是可信任机器学习的一个关键要求，因为通过学习和发布一些内在可解释的模型可以泄露有关底层训练数据的信息，而这可能直接与隐私冲突。本文提出了一个新的框架，用于处理其他形式的可解释模型和更普遍的知识，并证明在对可解释模型结构做出现实的假设的情况下，可以有效地计算重建的不确定性。最后，我们通过比较精确学习算法和启发式学习算法关联的理论信息泄漏，说明了我们方法的适用性，使用决策树和规则列表。我们的结果表明，对于给定的准确性水平，最优解释性模型通常更紧凑，泄露的关于训练数据的信息更少。

    Aug, 2023

  • 解释决策树的符号语言

    我们的研究提出了解释决策树的符号化语言 ExplainDT，它基于我们称之为 StratiFOILed 的一阶逻辑构建的精心构造的片段。StratiFOILed 在表达能力和评估复杂度上保持平衡，能够计算许多事后解释，包括局部解释（例如归纳和对比解释）和全局解释（例如特征相关性），同时仍处于布尔 NP 层次结构之上。此外，StratiFOILed 查询可以写成 NP 问题的布尔组合，因此我们可以通过调用一次 SAT 求解器对其进行实际评估。在理论方面，我们的主要贡献是对 StratiFOILed 的表达能力和评估复杂度进行深入分析；在实践方面，我们提供了一种对 StratiFOILed 查询进行编码的优化实现，并对其效率进行了实验研究。

    Oct, 2023

  • 从认知模型到计算模型：模糊轨迹理论指导下的文字风险决策建模

    本论文提出一种基于 Broniatowski 和 Reyna 的模型的计算框架，同时结合底层语义和情感对文本决策进行建模和预测，该计算模型可以优化以预测团体和个人的冒险决策。

    May, 2022

  • 个性化可信决策集：提高临床决策支持系统的可解释性

    本研究提出了一种新型的临床决策支持系统，结合了一组规则和机器学习算法，提供了全局和局部的可解释性，并使用机器学习算法预测每个规则在特定患者的正确性可能性，以更好地提高预测性能，并提高个性化解释能力，这些元素的结合可以帮助医生更好地评估患者的情况，提高医生的决策能力。

    Jul, 2021

  • 学习最优公平分类树：可解释性、公平性和准确性之间的权衡

    本研究设计了一个 MIO（mixed integer optimization）框架，用于学习最优的分类树算法，以及与任意公平性约束进行扩展；提出了一个新的模型可解释性度量标准，称为决策复杂度；在流行数据集上，我们对公平性、可解释性及预测准确性之间的权衡进行了综合分析，证明了我们的方法在几乎完全平等的情况下仍能保持精度.

    Jan, 2022

  • 用动态规划发现决策树的解释性与性能的最优解

    为了找到最佳的决策树，本文提出了一种新的马尔可夫决策问题 (MDP) 的公式，允许用户在计算一个动态规划的同时选择最适合自身需求的决策树

    Sep, 2023