Apr, 2024

通过部分解决方案挖掘潜在解释性模式

PDF
TL;DR通过引入部分解决方案来改善组合优化问题的解释能力，我们提出了一种算法，该算法选择一系列部分解决方案以在高适应度、简单性和原子性之间取得平衡，实验证明该算法能够以合理的计算成本找到改善解释能力的部分解决方案而不影响搜索性能。
genetic algorithmsoptimization problemsexplainabilitypartial solutionscombinatorial optimization
发现论文，激发创造
  • 数学优化中数据驱动的可解释性框架

    通过引入解方案的可解释性作为另一个评估标准，我们可以在目标值和可解释性之间找到权衡解决方案，从而提高数学规划在实践中的易用性。

    Aug, 2023

  • 可解释元启发式算法：挖掘代理适应度模型以确定变量重要性

    通过使用基因算法（GA）生成的种群数据训练代理模型，探究代理模型对搜索空间的学习，最终建立 GA 的学习过程和所提出方案的解释，以提高用户对方案的信任和采纳度。

    May, 2022

  • 基因编程用于可解释流形学习

    使用遗传编程进行可解释流形学习，直接惩罚树结构的复杂性，提高流形质量和可解释性，并允许自定义复杂度度量，标志着实现可解释流形学习的重要进展。

    Mar, 2024

  • 基于图遗传算法的自动化拼图验证以实现更快的游戏设计

    本文介绍了一种带有专家知识启发式的进化算法，以更高效地解决逻辑谜题，在游戏设计中可以应用于自动验证和个性化谜题设计。

    Feb, 2023

  • 一种用于发现多样频繁模式的高效遗传算法

    本文提出了一种利用遗传算法挖掘多样化频繁模式集的快速启发式搜索算法，采用相对编码方案和有效的双胞胎去除技术来确保搜索结果的多样性，该算法在标准基准测试中优于现有方法并能够在短时间内产生令人满意的结果。

    Jul, 2015

  • 基于逻辑的解释性与部分指定输入

    本文研究了在部分指定输入的情况下计算基于逻辑的解释的问题，证明了最近几年提出的大多数计算逻辑解释的算法都可以推广到计算给定部分指定输入的解释，并应用于来自公共数据集的分类器，说明了许多新的可解释性用例。

    Jun, 2023

  • 概率充分解释

    本研究提出了概率充分解释的理念，即通过 “足够简单” 的特征子集来 “足以” 解释分类行为，并结合可扩展的概率推理算法设计出可行的实现方案。实验证明，本算法找到的充分解释更有效，且优于基准模型 Anchors 和逻辑解释。

    May, 2021

  • 用嵌套遗传算法解释具有决策规则的分类数据集

    本文旨在自动从分类数据集中提取最能解释该数据集的决策规则集。为了高效解决该组合优化问题，我们引入了一种基于嵌套遗传算法的方法，并使用该方法从十个公共数据集中推导出解释。

    Aug, 2022

  • 局部最小概率解释

    提出了一种新的高效算法，用于计算近似概率诱导解释（PXAps），这些解释在实践中提供了高质量的概率诱导解释（PXAps），实验证明了所提算法的实际效率。

    Dec, 2023

  • 遗传工程算法（GEA）：一种高效的元启发式算法用于解决组合优化问题

    提出了一种基于遗传工程概念的新元启发算法 —— 遗传工程算法（GEA），通过重新设计传统遗传算法并引入新的搜索方法，以基于已有基因的选择来孤立、提纯、插入和表达新基因，从而产生具有所选基因的特定染色体，旨在解决遗传算法中的限制问题。与现有算法在基准实例上进行的比较评估表明，GEA 具有卓越的性能，展示了其作为组合优化问题的创新高效解决方案的潜力。

    Sep, 2023