DeepCoDA：面向成分健康数据的个性化可解释性
机器学习
2020-06-18 v2 人工智能
机器学习
摘要
可解释性使得领域专家能够直接评估模型的相关性与可靠性，这一做法提供了保障并建立了信任。在医疗保健环境中，可解释模型应能揭示独立于数据预处理等技术因素的相关生物学机制。我们将个性化可解释性定义为样本特定特征归因的度量，并将其视为精准健康模型证明其结论合理性的最低要求。部分健康数据，尤其是高通量测序实验产生的数据，存在一些会影响精准健康模型及其解释的细微特征。这些数据是成分数据，意味着每个特征都条件依赖于所有其他特征。我们提出了深度成分数据分析（Deep Compositional Data Analysis, DeepCoDA）框架，将精准健康建模扩展至高维成分数据，并通过患者特定的权重提供个性化可解释性。我们的架构在 25 个真实世界数据集上保持了 SOTA 性能，同时生成的解释既具有个性化，又与成分数据完全相干。
引用
@article{arxiv.2006.01392,
title = {DeepCoDA: personalized interpretability for compositional health data},
author = {Thomas P. Quinn and Dang Nguyen and Santu Rana and Sunil Gupta and Svetha Venkatesh},
journal= {arXiv preprint arXiv:2006.01392},
year = {2020}
}
备注
To appear at ICML 2020