分类模型修正的规则挖掘

Oct, 2023

Rule Mining for Correcting Classification Models

Hirofumi Suzuki, Hiroaki Iwashita, Takuya Takagi, Yuta Fujishige, Satoshi Hara

TL;DR机器学习模型需要不断更新或校正，以确保预测准确性始终保持高水平。本研究提出了一种校正规则挖掘算法，通过组合频繁项集挖掘和独特的剪枝技术，获取描述不准确子集群和纠正方法的综合规则列表，并从中收集数据不足的信息、直接纠正模型输出和分析概念漂移。

Abstract

machine learning models need to be continually updated or corrected to ensure that the prediction accuracy remains consistently high. In this study, we consider scenarios where developers should be careful to cha

machine learning models prediction accuracy model correction complex system correction rule mining

发现论文，激发创造

FROTE: 基于反馈规则的过采样编辑模型

本研究提出了一种基于反馈规则的过采样技术来处理机器学习模型的更新问题，能够在不断更新的规则下，更快速地重新训练模型，实现决策边界的快速调整和更新。

Jan, 2022

通过重写预测规则来编辑分类器

本文提出了一种通过直接重写预测规则来修改分类器行为的方法，该方法几乎不需要额外的数据收集，并可应用于各种设置，包括适应模型到新环境和修改模型以忽略杂散特征。

Dec, 2021

机器学习模型误差的注意规则自动生成

本研究提出使用基于特征分片的算法来帮助机器学习模型的诊断和优化，使用 TOPSIS 方法来评估不同策略的绩效、稳定性和泛化能力。

May, 2023

监控机器学习模型：在线检测相关偏差

该研究提出了一种序列监测方案，通过考虑测量模型质量的时间依赖性，减少不必要的警报并解决多重测试问题，从而在检测模型质量相关变化方面优于基准方法。此研究为在动态环境中区分小幅波动和有意义的模型性能退化提供了实用解决方案，确保机器学习模型的可靠性。

Sep, 2023

为分类学习定性多样和可解释性规则

本文提出了一种方法来识别数据集的最大不同但准确的模型，实验证明，当数据支持多个准确分类器时，我们往往会恢复更简单，更易解释的分类器而不是更复杂的模型。

Jun, 2018

防篡改机器学习

本研究提出了一种新的稳健性估计器，以避免在透明决策规则下个体的行为可能造成的操纵行为对决策结果的影响并在肯尼亚的一项大型实验中表明，在策略鲁棒方法估计的决策规则的指导下，其表现优于基于标准监督学习方法的规则。

Apr, 2020

防患于未然：胸部异常检测案例研究

本文探讨了预防疾病和预防医学中使用的 AI 模型出现问题的重要性，以及分析了一个 Kaggle 竞赛用例 - X 射线肺图像异常检测中的数据不平衡性问题，并说明了如何通过在整个生命周期中监测数据和模型平衡性来消除偏见。

May, 2023

学习再测试：校准预测算法以实现风险控制

介绍了一种框架，用于通过多重假设检验重新定义风险控制问题来校准机器学习模型，从而保证其预测结果符合明确的统计保证。

Oct, 2021

基于布尔规则解释的用户驱动模型调整

本文提出了一种交互式叠加方法，该方法利用机器学习模型的预测能力，同时允许用户指定决策边界的修改，从而实现在不需要重新训练模型的情况下对决策系统进行实时修改，并展示了用户反馈规则可以与机器学习预测结合以支持更少数据的学习。

Mar, 2022

通过自动化和模型无关的规则提取实现区域可解释性

在可解释人工智能（Explainable AI）中，我们提出了一种模型无关的方法，用于从特定的数据子组中提取规则。该方法通过自动生成数字特征规则，增强了机器学习模型的区域可解释性，并在高维空间中降低了计算成本。在各种数据集和模型的实验中，我们的方法表现出了很好的效果。

Jun, 2024