Pantypes: 自解释模型的多样化代表
机器学习
2024-03-15 v1 机器学习
摘要
原型自解释分类器已涌现出来满足日益增长的可解释人工智能系统需求。这些分类器旨在通过基于相似性来实现高透明度推断。虽然这些模型在设计时考虑了多样性，但所学的原型往往不足以充分代表输入分布的各个方面，特别是低密度区域的方面。这种对数据表示不足的缺失，已与机器学习多样性和公平性的各种不利属性相关联。鉴于此，我们引入了 pantypes，一套新的原型对象，通过稀疏对象集合来捕捉输入分布的全部多样性。我们表明，pantypes 通过占据潜在空间的不同区域，能够赋予原型自解释模型，从而促进高多样性、可解释性和公平性。
引用
@article{arxiv.2403.09383,
title = {Pantypes: Diverse Representatives for Self-Explainable Models},
author = {Rune Kjærsgaard and Ahcène Boubekki and Line Clemmensen},
journal= {arXiv preprint arXiv:2403.09383},
year = {2024}
}