基于求和-乘积网络的外点解释
机器学习
2022-07-19 v1
摘要
外点解释是识别一组能将样本与正常数据区分开来的特征的任务，这对下游（人工）决策十分重要。现有方法基于特征子集空间中的束搜索，由于需要对每个特征子集从头运行外点检测算法，它们很快变得计算昂贵。为缓解该问题，我们提出一种基于求和-乘积网络（SPN，一类概率电路）的新颖外点解释算法。我们的方法利用SPN中边缘推断的可处理性来计算特征子集中的外点分数。通过使用SPN，得以执行向后消除而非通常的向前束搜索，后者更不易遗漏解释中的相关特征，尤其在特征数量较大时。我们通过实验表明，该方法在外点解释上取得了最先进的结果，优于近期基于搜索及基于深度学习的解释方法。
引用
@article{arxiv.2207.08414,
title = {Outlier Explanation via Sum-Product Networks},
author = {Stefan Lüdtke and Christian Bartelt and Heiner Stuckenschmidt},
journal= {arXiv preprint arXiv:2207.08414},
year = {2022}
}