DALE：用于高效准确全局解释的微分累积局部效应
机器学习
2022-10-11 v1
摘要
累积局部效应（ALE）是一种准确估计特征效应的方法，克服了先前方法（如部分依赖图）的基本失效模式。然而，ALE的近似方法，即从训练集的有限样本估计ALE的方法，面临两个弱点。首先，在输入维度高的情况下扩展性不佳；其次，当训练集相对较小时，容易受到分布外（OOD）采样的影响。在本文中，我们提出了一种新的ALE近似方法，称为微分累积局部效应（DALE），可用于ML模型可微且可访问自动微分框架的情况。我们的提议具有显著的计算优势，使得特征效应估计适用于高维机器学习场景，且计算开销近乎为零。此外，DALE不会创建用于计算特征效应的人工点，从而解决了因OOD采样导致的误导性估计。最后，我们正式证明，在某些假设下，DALE是ALE的无偏估计量，并提出了一种量化解释标准误差的方法。使用合成数据集和真实数据集的实验证明了所提出方法的价值。
引用
@article{arxiv.2210.04542,
title = {DALE: Differential Accumulated Local Effects for efficient and accurate global explanations},
author = {Vasilis Gkolemis and Theodore Dalamagas and Christos Diou},
journal= {arXiv preprint arXiv:2210.04542},
year = {2022}
}
备注
16 pages, to be published in Asian Conference of Machine Learning (ACML) 2023