May, 2023

可解释建模的完整可视化交互式决策树构建和拓展

PDF
TL;DR本研究提出了两种新方法，即 Bended Coordinates 和 Shifted Paired Coordinates，用于更完整地可视化可理解的决策树模型，并扩展和补充了现有方法的能力。这些方法可以观察和分析属性之间的关系、每个决策点的敏感性以及 n-D 空间中案例的密度等特征，这对于决策树模型的性能评估和改进至关重要。
发现论文，激发创造
  • 3D 中的通用线坐标

    这篇论文研究了在无损 3D 可视化中的可解释的交互式视觉模式发现，可以帮助非数据科学家的最终用户自主进行模型的开发过程。它结合了三种类型的 GLC：SPC、STC 和 GLC-L，实现了交互式的视觉模式发现。从 2D 可视化到 3D 可视化的转变可以获得比 2D 更明显的视觉模式，同时还允许找到最佳的数据视角，这在 2D 中不可用。它可以深度分析各种具体类别的数据子集，使最终用户能理解原始可解释属性。此方法还可以通过最终用户控制模型泛化来获得额外的益处。

    Mar, 2024

  • 代数可解释控制器：决策树和支持向量机联手

    本研究使用决策树和支持向量机相结合的方法以获得关于更多复杂动态系统的可理解控制器。

    Aug, 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

  • 通用线坐标下的视觉知识发现

    通过基于不同形式的无损通用线坐标的视觉知识发现方法，本文提出了一种新的方法来生成，解释和可视化非线性分类器。该方法可以在提高解释性和准确性的同时与其他常见的计算机算法相竞争，并且可以从超块中构建准确且高度可解释的模型和规则。

    May, 2023

  • 使用黑盒强化学习实现分类树的最佳可解释性与性能平衡

    该论文研究了一种新的 Reinforcement Learning (RL) 框架，证明了只需要解决一个完全可观测的问题就能学习到一个优化可解释性 - 性能平衡的决策树。

    Apr, 2023

  • 2 维无损可视化空间中的高维可理解学习

    本研究探讨了在二维可视化空间（2-D ML）中使用非损失通用线坐标的视觉知识发现来进行机器学习分类任务的新方法。研究表明，这是一种完整的机器学习方法，不需要在抽象的 n 维空间中处理 n 维数据。利用二维中 n 维数据的图像表征，可以在二维空间中发现 n-D 模式而不会丢失 n-D 信息。具体而言，本研究显示了如何使用不同的 In-line Based Coordinates 进行分类和回归，并展示了两个基于基准数据集（威斯康星州乳腺癌和页面块分类数据集）的案例研究。最后，本研究基于页面块分类数据的特点，开发了一种利用决策树作为模型设计辅助工具的算法，可应用于处理高分辨率多类不平衡数据。该方法加速了一个新兴领域（完整的 2-D 机器学习和其方法论）的发展，并为最终用户提供了模型自助发现和解释的可能性

    May, 2023

  • 深度神经决策树

    本研究提出了 Deep Neural Decision Trees（DNDT）—— 由神经网络实现的树模型，可以用于处理表格数据，DNDT 具有自解释性和自剪枝功能。

    Jun, 2018

  • 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

  • 决策树的优质多样进化学习

    为了解释机器学习的需求，在解释性人工智能研究方向上，决策树和增强学习的混合模型成为一个新的研究方向，其中使用了 MAP-Elites 方法来拓展模型，该方法在 OpenAI Gym 库的两个控制问题中表现良好。

    Aug, 2022

  • 带动态图特征的决策树

    引入决策树与动态图特征相结合的 TREE-G 模型，它不仅考虑了预定义的数据特征，而且结合了顶点特征、图拓扑信息和树的累积信息进行预测任务，同时还提供了可解释性机制，实验结果表明 TREE-G 在多个图和节点的预测基准实验中表现出较高的性能和准确度。

    Jul, 2022