构成函数网络：一种替代深度神经网络且内置可解释性的高性能框架
机器学习
2025-08-01 v2 人工智能
摘要
深度神经网络 (DNN) 虽然提供了惊人的性能，但其黑箱特性限制了在需要透明度的高风险领域的部署。我们引入构成函数网络 (CFNs)，这是一种新型框架，通过组合具有明确语义的基本数学函数来构建内在可解释的模型。与现有可解释方法仅限于简单加法结构不同，CFNs 支持多样化的构成模式——顺序、并行和条件，使复杂特征相互作用得以保持透明度。关键创新在于 CFNs 完全可微，允许通过标准梯度下降进行高效训练。我们展示了 CFNs 在多个领域的多样性，从符号回归到带有深层层次结构的图像分类。我们的实证评估显示，CFNs 在对抗黑箱模型方面表现出竞争力（在 CIFAR-10 上的准确率为 96.24%），同时在解释性模型（如可解释提升机）方面表现更优。通过将深度学习的层次表达性和高效训练与明确定义的数学函数的内在可解释性相结合，CFNs 提供了一个在性能和问责制性都至关重要的应用场景中发挥强大作用的框架。
引用
@article{arxiv.2507.21004,
title = {Compositional Function Networks: A High-Performance Alternative to Deep Neural Networks with Built-in Interpretability},
author = {Fang Li},
journal= {arXiv preprint arXiv:2507.21004},
year = {2025}
}
备注
The project has been open sourced at Github (https://github.com/fanglioc/Compositional_Function_Networks)