IMLI：一种基于 MaxSAT 的可解释分类规则学习的增量框架
人工智能
2020-01-08 v1 机器学习
摘要
机器学习在医疗诊断、法律、教育等关键领域的广泛采用，因终端用户需要理解学习系统决策背后的推理，推动了可解释技术的需求。可解释学习的计算难处理性导致从业者设计启发式技术，其无法提供权衡准确率与可解释性的可靠手段。受过去十年 MaxSAT 求解器成功的启发，近期提出了一种称为 MLIC 的基于 MaxSAT 的方法，其将学习以合取范式（CNF）表达的可解释规则的问题归约为 MaxSAT 查询。虽然 MLIC 被证明在生成小型可解释 CNF 公式的同时达到了与其他最先进黑盒分类器相似的准确率，但其运行时性能显著落后，导致该方法在实践中无法使用。在此背景下，作者提出疑问：是否可能兼得二者，即一种可利用 MaxSAT 求解器并扩展到真实世界实例的可解释学习的可靠框架？本文朝肯定回答该问题迈出一步。我们提出 IMLI：一种基于 MaxSAT 框架的增量方法，通过基于分区的训练方法实现可扩展的运行时性能。在来自 UCI 仓库的基准上的大量实验表明，IMLI 在不损失准确率与可解释性的情况下实现了高达三个数量级的运行时改进。
引用
@article{arxiv.2001.01891,
title = {IMLI: An Incremental Framework for MaxSAT-Based Learning of Interpretable Classification Rules},
author = {Bishwamittra Ghosh and Kuldeep S. Meel},
journal= {arXiv preprint arXiv:2001.01891},
year = {2020}
}
备注
10 pages, published in the proceedings of AAAI/ACM Conference on AI, Ethics, and Society (AIES 2019)