利用知识图谱实现可解释特征生成
机器学习
2024-06-04 v1 人工智能
摘要
机器学习模型的质量在很大程度上依赖于输入数据，因此特征工程在机器学习中通常是必需的。此外，随着基于机器学习的系统（尤其是在关键环境中）的普及，对可解释性和可解释性的需求变得越来越重要。由于手动特征工程耗时且需要特定领域的知识，我们提出了KRAFT，一个利用知识图谱来指导可解释特征生成的自动特征工程框架。我们的混合人工智能方法结合了一个神经生成器（通过一系列变换转换原始特征）和一个基于知识的推理器（使用描述逻辑评估特征的可解释性）。该生成器通过深度强化学习进行训练，以最大化预测准确性和生成特征的可解释性。在真实数据集上的大量实验表明，KRAFT在确保高可解释性的同时显著提高了准确性。
引用
@article{arxiv.2406.00544,
title = {Leveraging Knowlegde Graphs for Interpretable Feature Generation},
author = {Mohamed Bouadi and Arta Alavi and Salima Benbernou and Mourad Ouziri},
journal= {arXiv preprint arXiv:2406.00544},
year = {2024}
}