改进 CFIRE 规则解释的紧凑性与消除歧义性
机器学习
2026-01-08 v1
摘要
基于表格数据训练的模型在敏感领域广泛使用，增加了对解释方法满足透明度需求的需求。CFIRE 是该领域的最新算法，通过从局部解释构建紧凑的代理规则模型。虽然有效，但 CFIRE 可能为同一样本分配不同类别相关的规则，引入歧义。我们研究了这种歧义，提出一种事后修剪策略，通过删除贡献低或覆盖冲突的规则，生成更小且更不含歧义的模型，同时保持保真度。跨多个数据集的实验确认了这些改进，对预测性能的影响最小。
引用
@article{arxiv.2601.03776,
title = {Improving Compactness and Reducing Ambiguity of CFIRE Rule-Based Explanations},
author = {Sebastian Müller and Tobias Schneider and Ruben Kemna and Vanessa Toborek},
journal= {arXiv preprint arXiv:2601.03776},
year = {2026}
}
备注
Prepared for ESANN 2026 submission