解释线性化：基于可解释元编码的表格数据后置可解释性
机器学习
2026-03-19 v3
摘要
后置可解释性对于理解黑箱机器学习模型至关重要。基于代理模型的技术广泛用于局部和全局模型无关解释，但存在显著局限性。局部代理模型能够捕捉非线性特性，但计算昂贵且对参数敏感；而全局代理模型更高效，但难以处理复杂的局部行为。本文提出了ILLUME——一种基于表示学习的灵活且可解释框架，可与各种代理模型集成，为任何黑箱分类器提供解释。具体而言，我们的方法将全局训练的代理模型与通过元编码器学习的实例特定线性变换相结合，以生成局部和全局解释。通过广泛的实证评估，我们展示了ILLUME在产生准确、稳健且计算高效的特征归因和决策规则方面的有效性，从而提供了一个有效解决传统代理方法局限性的统一解释框架。
引用
@article{arxiv.2504.20667,
title = {Explanations Go Linear: Post-hoc Explainability for Tabular Data with Interpretable Meta-Encoding},
author = {Simone Piaggesi and Riccardo Guidotti and Fosca Giannotti and Dino Pedreschi},
journal= {arXiv preprint arXiv:2504.20667},
year = {2026}
}
备注
Accepted at ICDM 2025