面向人类的透明回归模型学习
机器学习
2025-02-25 v1
摘要
我们提出了一种人类在环（HIL）方法，用于排列回归，这是一种 novel 的任务，即为给定的项目排序预测一个连续值。该模型是梯度提升回归模型，包含形式为 x < y 的简单人类可理解约束，即项目 x 必须在项目 y 之前，作为二进制特征。该方法称为 HuGuR（Human Guided Regression），让人类探索此类透明回归模型的搜索空间。在与 HuGuR 交互时，用户可以交互式地添加、删除和细化排序约束，而系数将即时计算。我们在用户研究中对 HuGuR 进行了评估，并将用户构建的模型与多个基线方法在 9 个数据集上进行比较。结果表明，用户构建的模型在小数据集上 outperform 所比较的方法，通常与其他方法持平，同时在原则上对人类可理解。在更大规模的数据集上，机器生成的模型开始超过用户构建的模型。进一步的工作将研究用户对由自身构建的模型所产生信任程度，以及该方案如何可迁移到其他模式领域，如字符串、序列、树或图。
引用
@article{arxiv.2502.15992,
title = {Human Guided Learning of Transparent Regression Models},
author = {Lukas Pensel and Stefan Kramer},
journal= {arXiv preprint arXiv:2502.15992},
year = {2025}
}