面向表格数据的神经网络因果解释模型
机器学习
2025-12-29 v1 人工智能
摘要
解释机器学习方法产生的结果这一问题持续受到关注。神经网络(NN)模型与梯度提升机一样，有望在表格数据中以高预测精度得到应用。本研究针对表格数据中NN预测器的伪相关、因果性和组合原因等相关问题进行了探讨。我们提出了一种因果解释方法CENNET，以及一种利用熵为该方法构建的新解释力指数。CENNET为NN的预测提供因果解释，并将结构因果模型(SCM)与NN有效结合，尽管就预测精度而言，SCM通常不单独作为预测模型使用。我们通过在分类任务中与现有方法在合成数据和准真实数据上的对比实验，表明CEN-NET能够提供此类解释。
引用
@article{arxiv.2512.21746,
title = {A Model of Causal Explanation on Neural Networks for Tabular Data},
author = {Takashi Isozaki and Masahiro Yamamoto and Atsushi Noda},
journal= {arXiv preprint arXiv:2512.21746},
year = {2025}
}
备注
\c{opyright}2025. This manuscript version is made available under the CC-BY-NC-ND 4.0 license https://creativecommons.org/licenses/by-nc-nd/4.0/