ProtoNAM：面向可解释深度表格学习的原型神经可加模型
机器学习
2024-10-08 v1 人工智能
机器学习
摘要
广义可加模型（GAMs）长期以来是可解释分析表格数据的强大白箱工具，揭示了每个特征对模型预测的影响。尽管神经网络（NN）在各个领域取得了成功，但其作为NN-based GAMs在表格数据分析中的应用仍不如基于树的方法。NN-GAMs中编码器的不透明性也阻碍了用户理解网络如何学习函数。在本工作中，我们提出了一种新的深度表格学习方法，称为Prototypical Neural Additive Model（ProtoNAM），该方法在GAMs框架中引入原型。通过引入基于原型的特征激活，ProtoNAM能够灵活地建模从表格特征到输出之间的不规则映射，同时保持最终预测的可解释性。我们还提出了一种受梯度提升启发的分层形状函数建模方法，促进复杂特征模式的发现，使每个网络层的学习过程更具透明度。我们的实证评估表明，ProtoNAM超越了所有现有的NN-based GAMs，同时为每个特征学习的形状函数提供了额外的洞见。ProtoNAM的源代码可在\url{https://github.com/Teddy-XiongGZ/ProtoNAM}获取。
引用
@article{arxiv.2410.04723,
title = {ProtoNAM: Prototypical Neural Additive Models for Interpretable Deep Tabular Learning},
author = {Guangzhi Xiong and Sanchit Sinha and Aidong Zhang},
journal= {arXiv preprint arXiv:2410.04723},
year = {2024}
}