可解释的 DNF

Martin C. Cooper; Imane Bousdira; Clément Carbonnel

可解释的 DNF

人工智能 2025-05-28 v1

作者: Martin C. Cooper , Imane Bousdira , Clément Carbonnel

摘要

如果一个分类器的每一个决策都有一个足够小、易于被人类用户理解的解释，则该分类器被认为是可解释的。DNF 公式可以看作是布尔域上的二元分类器 $\kappa$ 。由于我们可以通过给出一个求值为真的 $\kappa$ 项来解释正决策，因此 DNF $\kappa$ 所作正决策的解释大小受限于 $\kappa$ 中项的大小。由于正决策和负决策都必须得到解释，我们认为可解释的 DNF 是指那些 $\kappa$ 和 $\overline{\kappa}$ 均能表示为由有界大小项组成的 DNF 的 $\kappa$ 。在本文中，我们研究了其补集也能表示为 $k$ -DNF 的 $k$ -DNF 族。我们比较了两个这样的族，即深度为 $k$ 的决策树和嵌套 $k$ -DNF（一种新的模型族）。实验表明，在可解释性和准确性方面，嵌套 $k$ -DNF 是决策树的一种极具吸引力的替代方案。

关键词

可解释的 DNF 二元分类器决策树嵌套 k-DNF 可解释性

引用

@article{arxiv.2505.21212,
  title  = {Interpretable DNFs},
  author = {Martin C. Cooper and Imane Bousdira and Clément Carbonnel},
  journal= {arXiv preprint arXiv:2505.21212},
  year   = {2025}
}

可解释的 DNF

摘要

关键词

引用

相关论文