基于极小不可满足核的随机森林特征重要性度量与对抗分析
机器学习
2022-02-28 v1
摘要
机器学习（ML）在安全关键领域的广泛采用要求方法具备可解释性。然而，理解随机森林（RF）等 ML 模型的研究仍处于起步阶段。在本工作中，我们利用形式化方法与逻辑推理，开发了一种新颖的模型专用方法来解释 RF 的预测。我们的方法以极小不可满足核（MUC）为核心，提供了涵盖局部与全局方面以及对抗样本分析的特征重要性综合解决方案。在多个数据集上的实验结果说明了我们特征重要性度量的高质量。我们还证明我们的对抗分析优于最先进的方法。此外，我们的方法能生成以用户为中心的报告，有助于在现实应用中提供建议。
引用
@article{arxiv.2202.12512,
title = {MUC-driven Feature Importance Measurement and Adversarial Analysis for Random Forest},
author = {Shucen Ma and Jianqi Shi and Yanhong Huang and Shengchao Qin and Zhe Hou},
journal= {arXiv preprint arXiv:2202.12512},
year = {2022}
}