用于判别表示与特征选择的可解释多核原型学习
机器学习
2019-11-12 v1 机器学习
摘要
基于原型的方法因能用一小组代表样本概括数据集而备受领域专家与从业者的特别关注。因此，在分类设定下，原型的可解释性与算法的预测精度同等重要。然而，最先进的方法在这些关注点之间做出了低效的权衡，往往牺牲其一以成全另一，尤其在给定数据具有基于核的表示时。本文提出一种新颖的可解释多核原型学习（IMKPL），用于在特征空间中构造高度可解释的原型，这些原型也能高效地对数据进行判别表示。我们的方法关注特征空间中各类的局部判别性，并基于凝聚的类同质数据邻域来塑造原型。此外，IMKPL 在特征空间中学习一种组合嵌入，使上述目标更好地达成。当基核与数据维度一致时，该嵌入可实现判别性特征选择。我们在来自不同领域的若干基准上评估了 IMKPL，结果表明其在可解释性与判别表示两方面均优于相关的最先进方法。
引用
@article{arxiv.1911.03949,
title = {Interpretable Multiple-Kernel Prototype Learning for Discriminative Representation and Feature Selection},
author = {Babak Hosseini and Barbara Hammer},
journal= {arXiv preprint arXiv:1911.03949},
year = {2019}
}
备注
CIKM 2019 conference