DISCRET: 为治疗效果估计合成忠实的解释
机器学习
2024-06-04 v1 统计方法学
摘要
设计忠实且准确的 AI 模型具有挑战性，尤其是在个体治疗效果估计 (ITE) 领域。部署在关键环境（如医疗保健）中的 ITE 预测模型理想情况下应该 (i) 准确，并且 (ii) 提供忠实的解释。然而，当前的解决方案存在不足：最先进的黑盒模型不提供解释，黑盒模型的事后解释器缺乏忠实性保证，而自解释模型则大大降低了准确性。为了解决这些问题，我们提出了 DISCRET，一个自解释的 ITE 框架，它为每个样本合成基于规则的忠实解释。DISCRET 背后的一个关键见解是，解释可以双重用作数据库查询，以识别相似的样本子组。我们提供了一种新颖的强化学习算法，以从大型搜索空间中高效地合成这些解释。我们在涉及表格、图像和文本数据的各种任务上评估了 DISCRET。DISCRET 优于最佳的自解释模型，并且具有与最佳黑盒模型相当的准确性，同时提供了忠实的解释。DISCRET 可在 https://github.com/wuyinjun-1993/DISCRET-ICML2024 获取。
引用
@article{arxiv.2406.00611,
title = {DISCRET: Synthesizing Faithful Explanations For Treatment Effect Estimation},
author = {Yinjun Wu and Mayank Keoliya and Kan Chen and Neelay Velingker and Ziyang Li and Emily J Getzen and Qi Long and Mayur Naik and Ravi B Parikh and Eric Wong},
journal= {arXiv preprint arXiv:2406.00611},
year = {2024}
}
备注
Accepted at ICML 2024. 22 pages, 5 figures