关于可解释 AI 方法对基于持续同调提取特征的机器学习模型适用性的注记
机器学习
2023-10-17 v1 人工智能
摘要
将拓扑数据分析的输出作为机器学习算法的输入进行数据分析已受到广泛研究。该方法提供了一种捕捉数据全局结构的手段。持续同调（PH）作为拓扑数据分析（TDA）领域中的常用方法，已在机器学习中得到了广泛应用。PH-ML 流程取得成功的关键原因之一在于通过 PH 进行特征提取的确定性本质。在处理这些提取出的特征时，能够利用相对简单的下游机器学习模型达到令人满意的精度水平，凸显了该流程优越的可解释性。然而必须指出，这种解释存在一些问题。具体而言，它未能准确反映数据生成过程中可行的参数区域，以及限制该过程的物理或化学约束。在此背景下，我们探索了将可解释 AI（XAI）方法应用于该 PH-ML 流程的潜力。我们将该方法应用于金属有机框架中气体吸附预测这一具体问题，并证明其可产生具有启发性的结果。复现我们结果的代码可在 https://github.com/naofumihama/xai_ph_ml 获取。
引用
@article{arxiv.2310.09780,
title = {Notes on Applicability of Explainable AI Methods to Machine Learning Models Using Features Extracted by Persistent Homology},
author = {Naofumi Hama},
journal= {arXiv preprint arXiv:2310.09780},
year = {2023}
}