基于多样插值的可行补救方案规划

解释算法决策并推荐可操作的反馈对机器学习应用日益重要。近来，人们投入大量精力寻找一组多样的补救方案，以覆盖用户偏好的广泛谱。然而，现有工作常忽略补救方案应接近数据流形的要求；因此，所构建的补救方案可能对用户而言不真实且不尽满意。为解决这些问题，我们提出一种新方法，显式地将多样的可操作补救方案导向数据流形。我们首先在有利类别中找到一组平衡多样性与邻近性权衡的多样原型。我们展示了两种寻找这些原型的具体方法：或是通过求行列式点过程的最大后验估计，或是通过求解二次二值规划。为确保可操作性约束，我们构建了一个可操作性图，其中节点表示训练样本，边表示两个实例间的可行操作。然后我们寻找通往每个原型的可行路径，该路径展示了规划中每个补救方案的可行操作。实验结果表明，我们的方法生成的一组补救方案接近数据流形，同时比现有方法提供了更好的成本-多样性权衡。