Jun, 2023

SPINEX: 适用于机器学习中回归和分类任务的基于相似性预测和可解释的邻居探索

HTML
PDF
TL;DR本文介绍了一种新的基于相似度的解释性邻居探索算法SPINEX，通过结合集成学习和特征交互分析来实现准确的预测和有意义的洞察，并且在59个合成和真实数据集上进行了广泛的实验来评估其性能。实验结果表明，SPINEX在某些情况下可能优于常用机器学习算法，是一个有前途的方法用于各种现实世界的应用。
发现论文，激发创造
  • 基于比较的可解释性机器学习中的反向分类

    本文讨论了在没有任何关于分类器或数据的信息的情况下解释分类器预测的任务，提出了一种基于实例的方法，用于确定改变预测所需的最小改变，并将其实现为使用Growing Spheres算法进行观测生成的原则。实验结果表明，该方法具有实用性，并可用于了解分类器。

    Dec, 2017

  • 本地可解释的机器学习和人工智能：初步结果和未来方向

    该论文介绍了如何结合k最近邻算法与信息论来解决机器学习模型复杂度与可解释性之间的矛盾，以实现全面审计的机器学习和人工智能技术

    Jan, 2019

  • TREX：基于树集成的描绘点解释

    本文介绍了一种基于REPresenter Point框架的解释系统TREX，它通过构建与特定树集成结构相对应的核来定义全局或局部的重要性，该系统的代理模型准确地近似了树集成，其重要性权重在数据集调试方面比以前的最新技术更加有效。

    Sep, 2020

  • 我们学会解释了吗？：可解释性方法如何在解释中学会编码预测

    介绍了一种名为 REAL-X 的时间差异化的解释方法，通过这种方法可以学习一个预测模型来近似任何输入子集的真实数据生成分布。

    Mar, 2021

  • 表格监督机器学习模型的性能和可解释性多目标优化

    本研究提出了一种不受模型约束的框架，可以同时优化监督式机器学习模型在表格数据上的预测性能和可解释性，其中可解释性通过特征稀疏性、特征交互稀疏性以及非单调特征效应的稀疏性进行量化。

    Jul, 2023

  • BackboneLearn: 缩放混合整数优化机器学习的库

    我们提出了BackboneLearn：一个用于扩展具有指示变量的混合整数优化问题到高维问题的开源软件包和框架。该优化范式可自然地用于构建解释性监督学习（如稀疏回归和决策树）、非监督学习（如聚类）等基本问题，而且BackboneLearn比精确方法解决这些问题更快且准确率更高。该软件包使用Python构建，用户友好且易于扩展：用户可以直接为其手头的MIO问题实现一个骨干算法。BackboneLearn的源代码可以在GitHub上找到（链接：https://github.com）。

    Nov, 2023

  • MLXP：Python 中可复制机器学习实验的框架

    利用MLXP工具，可以简化实验流程，降低操作难度，并确保高度的复现性。

    Feb, 2024

  • SPINEX：基于相似性的解释邻居探索的异常和离群检测预测

    SPINEX是一种新颖的异常和离群点检测算法，利用相似性和多个子空间之间的高阶交互概念来识别离群点，并通过评估21种常用的异常检测算法以及各种领域、各种维度和复杂度的39个合成和真实数据集，证明SPINEX具有卓越的性能，在综合数据集中排名第一，在真实数据集中排名第七，并具有适度的复杂度。

    Jul, 2024

  • SPINEX-聚类：基于相似性的可解释近邻探索的聚类问题预测

    利用相似性和多个子空间之间的高阶相互作用，提出了一个新颖的聚类算法SPINEX，通过针对13个算法进行全面的基准测试实验，该算法在51个不同领域、维度和复杂度的合成和实际数据集中，表现优越，并具有适度的复杂性，同时展示了SPINEX的可解释性能和未来研究需求。

    Jul, 2024

  • SPINEX时间序列：基于相似性的预测与可解释邻居探索用于时间序列与预测问题

    本文针对时间序列和预测分析中的预测准确性和可解释性问题，提出了SPINEX的新算法，该算法利用相似性和高阶时间交互。实验证明，SPINEX在处理复杂时间动态方面表现优异，常常排名前五，显示了其在预测精准度和决策透明度中的潜力。

    Aug, 2024