高斯过程神经加性模型
机器学习
2024-03-20 v2 人工智能
摘要
深度神经网络已彻底改变了许多领域，但其黑盒性质也偶尔阻碍了其在医疗和金融等需要可解释和可阐明模型领域的广泛应用。神经加性模型（NAMs）的最新发展是可解释深度学习在表格数据集方向上的重要一步。在本文中，我们提出了一类新的 NAM 子类别，其利用随机傅里叶特征构建单层高斯过程神经网络，我们称之为高斯过程神经加性模型（GP-NAM）。GP-NAM 具有凸目标函数的优势，且可训练参数数量随特征维度线性增长。由于高斯过程（GPs）非常适合学习复杂的非参数单变量函数，因此与更深层的 NAM 方法相比，其性能毫无损失。我们在多个表格数据集上展示了 GP-NAM 的性能，表明其在分类和回归任务中均实现了相当或更优的性能，同时大幅减少了参数数量。
引用
@article{arxiv.2402.12518,
title = {Gaussian Process Neural Additive Models},
author = {Wei Zhang and Brian Barr and John Paisley},
journal= {arXiv preprint arXiv:2402.12518},
year = {2024}
}
备注
Appears at AAAI 2024