基于CoLabel的建构性可解释性：佐证式集成、互补特征与协作学习
计算机视觉与模式识别
2022-05-23 v1 机器学习
摘要
具有可解释预测的机器学习模型日益受到青睐，尤其是对于需要偏差检测与风险缓解的现实关键任务应用。固有可解释性从底层设计即面向可解释性，提供关于模型预测与性能的直观洞察与透明解释。本文中，我们提出CoLabel，一种构建根植于真值的带解释可解释模型的方法。我们在车辆品牌型号识别(VMMR)背景下以车辆特征提取应用演示CoLabel。CoLabel利用可解释特征（如车辆颜色、类型与品牌）的复合进行VMMR，均基于真值标签的可解释标注。首先，CoLabel执行佐证式集成以连接多个数据集，每个数据集具有颜色、类型与品牌所需标注的子集。然后，CoLabel使用可分解分支提取对应于所需标注的互补特征。最后，CoLabel将其融合用于最终预测。在特征融合期间，CoLabel协调互补分支，使VMMR特征彼此兼容并可投影至同一语义空间进行分类。凭借固有可解释性，CoLabel在CompCars、Cars196与BoxCars116K上分别以0.98、0.95与0.94的准确率超越最先进黑盒模型。CoLabel因建构性可解释性提供直观解释，并随之在关键任务情境中实现高准确率与可用性。
引用
@article{arxiv.2205.10011,
title = {Constructive Interpretability with CoLabel: Corroborative Integration, Complementary Features, and Collaborative Learning},
author = {Abhijit Suprem and Sanjyot Vaidya and Suma Cherkadi and Purva Singh and Joao Eduardo Ferreira and Calton Pu},
journal= {arXiv preprint arXiv:2205.10011},
year = {2022}
}