解释在原始分层多示例数据上训练的分类器
机器学习
2022-08-05 v1 机器学习
摘要
从原始数据输入中学习，从而限制对特征工程的需求，是机器学习方法在多个领域许多成功应用的组成部分。虽然许多问题自然转化为可直接用于标准分类器的向量表示，但若干数据源具有结构化数据交换格式（如 JSON/XML 格式的安全日志）的自然形式。现有方法（如分层多示例学习（HMIL））允许从此类原始形式的数据中学习。然而，在原始结构化数据上训练的分类器的解释在很大程度上仍未被探索。通过将这些模型视为子集选择问题，我们展示了如何使用计算高效的算法生成具有良好性质的可解释说明。我们与一种采自图神经网络的解释技术进行比较，显示出数量级的速度提升和更高质量的说明。
引用
@article{arxiv.2208.02694,
title = {Explaining Classifiers Trained on Raw Hierarchical Multiple-Instance Data},
author = {Tomáš Pevný and Viliam Lisý and Branislav Bošanský and Petr Somol and Michal Pěchouček},
journal= {arXiv preprint arXiv:2208.02694},
year = {2022}
}