ECSEL：基于符号方程学习的可解释分类
机器学习
2026-05-27 v2 人工智能
机器学习
摘要
我们提出ECSEL，这是一种可解释的分类方法，通过学习形式为符号方程的表达式来实现分类，这一方法源于许多符号回归基准数据集容纳紧凑符号结构的观察。ECSEL直接构建一个结构化的闭合表达式，既作为分类器又作为解释。我们的方法在标准符号回归基准数据集上，比竞争的先进方法恢复了更多的目标方程，同时所需计算资源更少。凭借这种效率，ECSEL在不牺牲可解释性的前提下，实现了与既定机器学习模型竞争的分类准确率。进一步，我们表明ECSEL在全局特征行为、决策边界分析和局部特征归因方面满足一些理想的属性。在电子商务和欺诈检测等基准数据集和两个真实世界案例研究的实验中，所学方程暴露了数据集中的偏见，支持反事实推理，并提供可操作的见解。
引用
@article{arxiv.2601.21789,
title = {ECSEL: Explainable Classification via Signomial Equation Learning},
author = {Adia Lumadjeng and Ilker Birbil and Erman Acar},
journal= {arXiv preprint arXiv:2601.21789},
year = {2026}
}
备注
9 pages, 4 figures, accepted at ICML 2026