Jun, 2023

FIRE：一种优化方法用于快速可解释规则提取

PDF
TL;DR该论文提出了 FIRE (快速可解释规则提取) 算法，通过优化框架从树集成模型中提取出易于理解的、稀疏的代表性决策规则集合，同时鼓励规则融合以提高模型可解释性，算法通过特殊优化器可实现 40 倍于现有优化器的性能。实验表明，该方法在构建稀疏规则集方面优于现有算法，并能提供比现有方法更可解释的模型。
发现论文，激发创造
  • Forest-ORE：挖掘最佳规则集合解释随机森林模型

    通过优化的规则集合 (ORE) 使随机森林 (RF) 变得可解释，通过权衡预测性能、可解释性覆盖率和模型大小的权衡，提供了优秀的预测性能、可解释性覆盖率和模型大小的平衡。

    Mar, 2024

  • 通过整数规划从树集合中提取可解释规则的统一方法

    从训练的树集成中提取一组优化的规则，提供给用户一个简化、可解释的模型，保留了完整模型的大部分预测能力。

    Jun, 2024

  • 通过规则提取实现可解释性随机森林

    SIRUS 是一种稳定的规则学习算法，采用简单的规则列表，结合了随机森林和稳定性，以实现回归分析和决策可解释性。

    Apr, 2020

  • 多样化的规则集

    该研究提出了一种新方法来推断不同的规则集，通过在 Max-Sum 多样化框架下优化决策规则之间的小重叠，以及在鉴别品质和规则集多样性之间最大化加权总和，来克服联想规则指数级搜索空间的困难。该算法通过随机采样高度鉴别且重叠小的规则，并证明其拥有更好的预测能力和解释性。

    Jun, 2020

  • 学习本地可解释规则集合

    本文提出了一种新的框架来学习规则集合模型，该模型既准确又可解释，该模型的可解释性通过评估模型所需表达预测所需的规则数量来评估，并提出了一种促进局部可解释性的正则化器，通过局部搜索的坐标下降算法来学习规则集合。实验结果表明，与现有方法（包括 RuleFit）相比，我们的方法学习规则集合时所需规则数量更少，同时仍然保持相当的准确性。

    Jun, 2023

  • 学习可解释的决策规则集：一种次模优化方法

    本文介绍了一种基于子模优化的学习规则集的方法，将子问题转化为特征子集选择任务并利用子模函数差值的思想使得问题更易解决，实验结果表明这种方法简单、可扩展且具有较好效果。

    Jun, 2022

  • 学习可解释规则的可扩展数据表示和分类

    我们提出了一种新的分类器，命名为基于规则的表示学习器（RRL），它能够自动学习用于数据表示和分类的可解释的非模糊规则，并通过连续空间和梯度移植来优化离散模型，同时设计了逻辑激活函数以提高可扩展性和连续特征离散化。与竞争的可解释方法相比，RRL 在小型和大型数据集上有更好的性能，并且可以根据不同场景的需求方便地调整分类准确性和模型复杂性的权衡。

    Oct, 2023

  • 利用模型内在变量重要性进行稳定的在线特征选择

    本文提出了一种基于 FIRES 的在线特征选择新框架，通过处理模型参数作为随机变量惩罚不确定性高的特征，选择更加稳定的特征集，并实验证明该框架在稳定性方面显著优于现有方法。

    Jun, 2020

  • 可解释的二级布尔规则学习分类

    本文提出了一种新的优化框架，用于学习准确且精简的两级布尔规则，通过线性规划松弛，块坐标下降和交替最小化等高效算法来更新优化函数，以实现准确性和可解释性之间的平衡。实验表明，我们的方法在准确性和可解释性之间提供了很好的权衡。

    Jun, 2016

  • 随机森林的决定性本地解释规则

    在机器学习模型中，为了避免社会伦理问题影响人们的生活，必须对决策过程进行透明解释。为此，本文提出了一种名为 LionForests 的随机森林解释技术，其提供规则作为解释，并在二元分类任务到多类别分类和回归任务中均适用，并且通过实验表明了其有效性和其与先前技术的不同之处。

    Apr, 2021