用于异构表格数据的可解释图神经网络
机器学习
2024-08-15 v1
摘要
许多用于表格数据的机器学习算法产生黑箱模型，阻碍用户理解模型预测背后的理由。在其无约束形式下，图神经网络属于此类，并且它们处理异构数据的能力也受到进一步限制。为克服这些局限性，提出了一种称为 IGNH（用于异构表格数据的可解释图神经网络）的方法，该方法同时处理类别特征和数值特征，并通过约束学习过程在生成预测的同时生成精确的特征归因。大规模实证研究表明，IGNH 提供的特征归因与事后计算的 Shapley 值一致。此外，结果表明 IGNH 在表格数据的两个强大机器学习算法随机森林和 TabNet 上表现更优，同时达到了与 XGBoost 相当的性能水平。
引用
@article{arxiv.2408.07661,
title = {Interpretable Graph Neural Networks for Heterogeneous Tabular Data},
author = {Amr Alkhatib and Henrik Boström},
journal= {arXiv preprint arXiv:2408.07661},
year = {2024}
}
备注
Accepted at 27th International Conference on Discovery Science 2024