揭示距离基分类器器中隐式解释结构的快速而准确解释方法
机器学习
2026-05-05 v1 人工智能
机器学习
摘要
距离基分类器，如 k-最近邻和支持向量机，仍是机器学习中不可或缺的工具，在科学和工业领域广泛应用。实践中，要从这些模型中提取洞察，还必须确保其预测可解释。虽然可解释人工智能领域提供了适用于任何模型的方法，但也强调了利用潜在结构（例如神经网络的层次结构）以产生解释的有用性。本文通过揭示距离基分类器中隐藏的神经网络结构（由线性检测单元组合非线性池化层组成），使可解释人工智能技术如基于图层的相关性传播 (LRP) 变得适用。通过定量评估，我们展示了我们新颖的解释方法相对于多个基准方法的优势。我们还通过两个实际案例显示了解释距离基模型的总体有用性。
引用
@article{arxiv.2508.03913,
title = {Fast and Accurate Explanations of Distance-Based Classifiers by Uncovering Latent Explanatory Structures},
author = {Florian Bley and Jacob Kauffmann and Simon León Krug and Klaus-Robert Müller and Grégoire Montavon},
journal= {arXiv preprint arXiv:2508.03913},
year = {2026}
}