基于 TableGraphNet 的可解释表格数据深度建模
机器学习
2020-02-14 v1 人工智能
摘要
绝大多数关于可解释性的研究聚焦于事后可解释性而非可解释建模。即,推导出一个解释模型用以解释一个仅以追求最高性能为目的而构建的复杂黑盒模型。在某种程度上,这一趋势可能源于一种误解,即认为可解释性与准确性之间存在权衡。此外,基于博弈论、具有重大影响的 Shapley 值研究也推动了新一轮针对各类机器学习模型(包括深度学习模型)更优近似的事后可解释性研究。我们提出了一种新架构,其以加性特征归因的形式天然地产生可解释预测。我们的方法为数据集中的每条记录学习一个图表示,随后从图中导出以属性为中心的特征,并将其输入到一个贡献深度集模型以产生最终预测。我们表明,我们的可解释模型达到了与黑盒模型相同的性能水平。最后,我们提供了一种利用缺失性属性的增强模型训练方法,可在不损失准确性的前提下产生高度的一致性(如 Shapley 值所要求的)。
引用
@article{arxiv.2002.05205,
title = {Explainable Deep Modeling of Tabular Data using TableGraphNet},
author = {Gabriel Terejanu and Jawad Chowdhury and Rezaur Rashid and Asif Chowdhury},
journal= {arXiv preprint arXiv:2002.05205},
year = {2020}
}