分布鲁棒补救行动
机器学习
2023-02-23 v1
摘要
补救行动旨在通过展示实例可被修改以得到不同结果的具体方式，来解释特定的算法决策。现有的补救生成方法通常假设机器学习模型不随时间变化。然而，由于数据分布偏移，该假设在实践中并非总成立，此时补救行动可能失效。为纠正这一缺陷，我们提出分布鲁棒补救行动（DiRRAc）框架，其生成的补救行动在以高概率在模型偏移的混合下保持有效。我们将鲁棒化补救设定表述为一个极小-极大优化问题，其中极大问题由模型参数分布的不确定性集周围的 Gelbrich 距离指定。随后我们提出一种投影梯度下降算法，依据极小-极大目标寻找鲁棒补救。我们展示了 DiRRAc 框架可扩展至防范混合权重的误设定。在合成与三个真实世界数据集上的数值实验证明了我们所提框架相较最先进补救方法的优势。
引用
@article{arxiv.2302.11211,
title = {Distributionally Robust Recourse Action},
author = {Duy Nguyen and Ngoc Bui and Viet Anh Nguyen},
journal= {arXiv preprint arXiv:2302.11211},
year = {2023}
}
备注
25 pages