May, 2024

特征规则解释预测

HTML
PDF
TL;DR提出了一种名为CEGA(Characteristic Explanatory General Association rules)的新颖解释技术，采用关联规则挖掘将多个标准局部解释技术生成的解释聚合为一组特征规则，与两种最先进的方法Anchors和GLocalX进行比较，结果表明所提出的方法在保真度和复杂度之间提供了更好的权衡，CEGA和Anchors在保真度方面显著优于GLocalX，而CEGA和GLocalX在生成的规则数量方面显著优于Anchors，研究还表明CEGA与SHAP或Anchors结合使用可以实现更高的保真度。
发现论文，激发创造
  • 训练模型全局解释的规则归纳

    本文提出了一种通过规则归纳技术，捕捉特征间关系来全局解释神经网络预测的方法，对20个新闻组数据集上的4类文本分类神经网络进行全局解释，并获得了F1-得分0.80。

    Aug, 2018

  • 一个解释并不能适用于所有情况：交互式解释对于机器学习透明度的承诺

    通过交互式机器学习，将对比解释应用于黑盒机器学习系统，个性化调整其条件语句并通过提问“What if？”的方式提取更多解释，从而提高系统的透明度。

    Jan, 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

  • 机器引导人类监督：全球解释交互式学习

    提出了一种称为解释性引导学习（XGL）的新型交互式学习策略，其中机器通过全局解释来引导人类监督员选择具有信息量的分类器示例，这种方法有效避免了机器供给的局部解释可能过高估计分类器质量的问题。

    Sep, 2020

  • 通过隐式最小化认识和随机不确定性来生成可解释的反事实解释

    提出了一种简单快速的生成可解释反事实解释的方法，无需辅助模型，使用分类器的预测不确定性，在IM1得分方面比现有方法生成更可解释的CEs。此外，该方法还允许估计CE的不确定性，这在医疗等安全关键应用中可能非常重要。

    Mar, 2021

  • 解释的形状: 机器学习中基于规则的解释的拓扑学解释

    通过引入一个拓扑框架，本文研究了基于规则的解释方法的解释能力，提出了解释方案的可定义性的概念，并讨论了解释方案的选择如何取决于用户对领域和特征空间概率测度的了解程度。

    Jan, 2023

  • 使用单个预测解释的特征构建

    提出了一种可解释的特征构造(EFC)方法，该方法通过聚合实例解释的预测模型，识别了IME和SHAP等流行解释方法所揭示的共同属性组，并使用逻辑，关系，笛卡尔，数字，阈值num-of-N和X-of-N构造算子，将搜索空间减少到这些共同属性组中，最终在30个真实世界分类数据集上证明了EFC在提高分类准确性和构造可解释性特征方面的有效性。

    Jan, 2023

  • 缺失值下的对事实解释

    本文提出了一种新的CE框架CEPIA，通过缺失值插补和操作对的方式实现了有效的解释，并通过无差别最大化问题准确地评估了新框架的表现。

    Apr, 2023

  • 可解释分类的投票方法与规则学习

    通过结合机器学习方法、规则学习方法和投票方法，本研究提出了一种能在提供解释性规则的同时达到与现有无法解释的机器学习方法相媲美的分类结果的方法。实验结果表明，该方法在多个基准数据集和保险业的一个关键应用案例中都明显优于普通的规则学习方法和现有的先进方法。

    Nov, 2023

  • 基于核化斯坦差异的数据中心预测解释

    该研究论文提出了一种高度准确且以数据为中心的解释方法（HD-Explain），利用核化Stein差异（KSD）的属性，有效地识别为测试点提供最佳预测支持的训练样本，从而达到精细化解释、一致性和计算效率的需求，提供了一种简单、有效且稳健的预测解释方案。

    Mar, 2024