Rank-LIME：面向学习排序的局部模型无关特征归因
信息检索
2022-12-27 v1 机器学习
摘要
理解模型为何做出特定预测对于将其应用于现实决策至关重要。LIME是一种流行的用于分类与回归任务的模型无关特征归因方法。然而，信息检索中的学习排序任务比分类或回归更为复杂。本工作中，我们将LIME扩展提出Rank-LIME，一种模型无关、局部、后置的线性特征归因方法，用于学习排序任务，可为排序列表生成解释。我们采用基于相关性的新颖扰动、可微排序损失函数，并引入新指标来评估基于排序的加性特征归因模型。我们将Rank-LIME与多种竞争系统在MS MARCO数据集上训练的模型进行比较，观察到Rank-LIME在模型保真度（Model Fidelity）与Explain-NDCG方面优于现有解释算法。据此我们提出了首批用于生成加性特征归因以解释排序列表的算法之一。
引用
@article{arxiv.2212.12722,
title = {Rank-LIME: Local Model-Agnostic Feature Attribution for Learning to Rank},
author = {Tanya Chowdhury and Razieh Rahimi and James Allan},
journal= {arXiv preprint arXiv:2212.12722},
year = {2022}
}
备注
4 pages + references