LEURN：基于神经网络的可解释单变量规则学习
机器学习
2023-03-28 v1
摘要
本文提出 LEURN：一种学习单变量决策规则的神经网络架构。LEURN 是一种白盒算法，可生成单变量树，并在每个阶段做出可解释的决策。在每一层中，LEURN 基于已检查规则及其对应响应的嵌入来发现一组单变量规则。规则发现与最终决策机制均为这些嵌入的加权线性组合，因此所有规则的贡献都被清晰表述且可解释。LEURN 能够进行特征选择、提取特征重要性、提供样本对的语义相似度、以生成式方式使用，并给出置信度分数。得益于平滑参数，LEURN 还可受控地表现为决策树或普通神经网络。除这些优势外，在 30 个分类与回归表格数据集上，LEURN 取得了与最先进方法相当的性能。
引用
@article{arxiv.2303.14937,
title = {LEURN: Learning Explainable Univariate Rules with Neural Networks},
author = {Caglar Aytekin},
journal= {arXiv preprint arXiv:2303.14937},
year = {2023}
}