面向可解释机器学习预测的无标签或特征泄漏的局部特征选择
机器学习
2024-07-17 v1
摘要
机器学习中的局部特征选择通过聚焦于每个预测最相关的特征，提供实例特定的解释，增强复杂模型的可解释性。然而，这类方法倾向于通过编码额外信息来产生误导性解释。在本工作中，我们通过形式化标签和特征泄漏的概念来归因于误导性选择的问题。我们严格推导了保证无泄漏的必要充分条件，并指出现有方法未满足这些条件。此外，我们提出首个被证明无泄漏的局部特征选择方法，称为 SUWR。我们的实验结果表明，SUWR 更不易过拟合，同时以高特征选择稀疏性结合了最先进的预测性能。我们的通用且易于扩展的形式化方法为未来可靠解释性解释的工作提供了强大的理论基础。
引用
@article{arxiv.2407.11778,
title = {Local Feature Selection without Label or Feature Leakage for Interpretable Machine Learning Predictions},
author = {Harrie Oosterhuis and Lijun Lyu and Avishek Anand},
journal= {arXiv preprint arXiv:2407.11778},
year = {2024}
}
备注
Published at ICML 2024