面向表格数据的可解释图神经网络
机器学习
2024-08-14 v3 人工智能
摘要
表格格式的数据在现实应用中频繁出现。图神经网络（GNNs）近期已被扩展以有效处理此类数据，通过表示学习捕捉特征交互。然而，这些方法本质上产生黑盒模型，即深度神经网络形式，使用户无法追溯模型预测背后的逻辑。我们提出一种称为IGNNet（面向表格数据的可解释图神经网络）的方法，其约束学习算法产生可解释模型，该模型展示预测如何由原始输入特征精确计算而得。我们给出了大规模实证调研，表明IGNNet在性能上与针对表格数据的最先进机器学习算法（包括XGBoost、随机森林和TabNet）相当。同时，结果显示从IGNNet获得的解释与特征的真实Shapley值一致，且未带来额外计算开销。
引用
@article{arxiv.2308.08945,
title = {Interpretable Graph Neural Networks for Tabular Data},
author = {Amr Alkhatib and Sofiane Ennadir and Henrik Boström and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2308.08945},
year = {2024}
}
备注
Accepted at ECAI 2024