利用神经决策树增强 LIME

解释复杂机器学习模型是一项关键挑战，尤其是在表格数据领域，此时模型的透明度尤为重要。局部可解释模型中性释（Local Interpretable Model-Agnostic Explanations, LIME）已成为可解释机器学习中非常流行的框架，并催生了许多扩展方法。虽然 LIME 变体中使用的传统替代模型（如线性回归和决策树）提供了一定的稳定性，但在捕捉许多高级黑箱模型中固有的复杂非线性决策边界时仍存在挑战。本工作旨在在高预测性能与可解释决策之间架起桥梁。具体而言，我们提出了一种新的 LIME 变体 NDT-LIME，将神经决策树（Neural Decision Trees, NDTs）作为替代模型。通过利用 NDTs 结构化的层次性，我们的ethods aims at 提供更准确和有意义的局部解释。我们在几个基准表格数据集上评估了其有效性，结果显示在解释保真度方面优于传统 LIME 替代模型。