GAM 形状图的视觉属性量化：对感知认知负荷与可解释性的影响
人机交互
2025-02-28 v1 机器学习
摘要
广义可加模型（GAMs）在机器学习中提供了性能与可解释性之间的平衡。GAM 的可解释性通过形状图来体现，用以表示模型的决策过程。然而，这些图的视觉属性（例如折点数，即局部极大值和极小值的数量）会影响其复杂度并给观看者带来认知负荷，从而损害可解释性。我们的研究包含 57 名参与者，调查了 GAM 形状图的视觉属性与其引起的认知负荷之间的关系。我们量化了形状图的各种视觉属性，并基于 144 张图评估了它们与参与者感知认知负荷的一致性。结果表明，折点数指标最为有效，解释了用户评分中 86.4% 的方差。我们基于折点数开发了一个简单模型，为预测认知负荷提供了实用工具，使得无需用户直接参与即可评估 GAM 可解释性的一个方面。
引用
@article{arxiv.2409.16870,
title = {Quantifying Visual Properties of GAM Shape Plots: Impact on Perceived Cognitive Load and Interpretability},
author = {Sven Kruschel and Lasse Bohlen and Julian Rosenberger and Patrick Zschech and Mathias Kraus},
journal= {arXiv preprint arXiv:2409.16870},
year = {2025}
}
备注
to be published in proceedings of the 58th Hawaii International Conference on System Sciences (HICSS)