机器学习生存模型的反事实解释
机器学习
2020-07-01 v1 机器学习
摘要
提出一种机器学习生存模型的反事实解释方法。解决反事实解释问题的困难之一在于，示例的类别是通过机器学习生存模型以生存函数形式隐式定义的。引入一个建立原始示例与反事实的生存函数之间差异的条件。该条件基于使用平均事件发生时间之间的距离。研究表明，当被解释的黑盒模型为Cox模型时，反事实解释问题可归约为带线性约束的标准凸优化问题。对于其他黑盒模型，建议应用著名的粒子群优化(Particle Swarm Optimization)算法。大量基于真实与合成数据的数值实验证明了所提方法的有效性。
引用
@article{arxiv.2006.16793,
title = {Counterfactual explanation of machine learning survival models},
author = {Maxim S. Kovalev and Lev V. Utkin},
journal= {arXiv preprint arXiv:2006.16793},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:2005.02249