位置尺度形状神经加性模型：一种超越均值的可解释神经回归框架
机器学习
2024-03-04 v2 机器学习
摘要
深度神经网络 (DNNs) 已被证明在多种任务中极为有效，使其成为需要高水平预测能力问题的首选方法。尽管取得如此成功，DNNs 的内部机制常不透明，难以解释或理解。这种可解释性的缺失近年来导致了针对内在可解释神经网络研究的增加。诸如神经加性模型 (NAMs) 的模型通过经典统计方法与 DNNs 的结合实现视觉可解释性。然而，这些方法仅关注均值响应预测，忽略了底层数据响应分布的其他性质。我们提出位置尺度形状神经加性模型 (NAMLSS)，一种将经典深度学习模型的预测能力与分布回归的固有优势相结合，同时保持加性模型可解释性的建模框架。代码可通过以下链接获取：https://github.com/AnFreTh/NAMpy
引用
@article{arxiv.2301.11862,
title = {Neural Additive Models for Location Scale and Shape: A Framework for Interpretable Neural Regression Beyond the Mean},
author = {Anton Thielmann and René-Marcel Kruse and Thomas Kneib and Benjamin Säfken},
journal= {arXiv preprint arXiv:2301.11862},
year = {2024}
}
备注
Accepted at the 27th International Conference on Artificial Intelligence and Statistics (AISTATS) 2024