CFIRE：结合局部解释的通用方法
机器学习
2025-04-02 v1
摘要
我们提出了一种新型可解释人工智能算法，用于从表格数据中通过结合XAI方法与闭包频繁项集挖掘，计算出忠实、易于理解且完备的全局决策规则。该方法可与任何指明特定样本在给定黑箱决策下哪些维度重要性的局部解释器配合使用。该属性允许我们的算法在不同局部解释器之间进行选择，解决"解释不一致问题”，即单一解释方法在不同模型和数据集上始终优于其他方法的观察。与常规实验方法不同，我们的评估也考虑了模型可解释性中的Rashomon效应。为此，我们在我们所考察的14个基准数据集上的700个黑箱模型中，展示了该方法在几乎所有情形下都能找到合适规则的鲁棒性。结果显示，我们的方法在运行时间、精度和F1分数方面均表现出改善，同时生成紧凑且完备的规则。
引用
@article{arxiv.2504.00930,
title = {CFIRE: A General Method for Combining Local Explanations},
author = {Sebastian Müller and Vanessa Toborek and Tamás Horváth and Christian Bauckhage},
journal= {arXiv preprint arXiv:2504.00930},
year = {2025}
}