结构化数据的函数式透明性：一种博弈论方法
机器学习
2019-02-27 v1 机器学习
摘要
我们提出一种训练神经模型以定义良好、函数式方式展现透明性的新方法。我们的方法自然作用于结构化数据，并在函数上将预测器定制至所选的（局部）见证函数族。该估计问题被设定为一个无约束预测器（如神经网络）与一组选自所需透明族的见证函数之间的合作博弈。见证函数的目标是在局部突出预测器与所选函数族的符合程度，而预测器被训练以最小化所突出的差异。我们强调预测器保持全局强大，因为它仅被鼓励在局部与局部自适应的见证函数一致。我们分析了所提方法的效果，在深度图模型与序列模型的背景下给出示例公式，并在化学性质预测、时序建模与分子表示学习中以实证说明该思想。
引用
@article{arxiv.1902.09737,
title = {Functional Transparency for Structured Data: a Game-Theoretic Approach},
author = {Guang-He Lee and Wengong Jin and David Alvarez-Melis and Tommi S. Jaakkola},
journal= {arXiv preprint arXiv:1902.09737},
year = {2019}
}