RHALE：鲁棒且异质性感知的累积局部效应
机器学习
2023-09-21 v1
摘要
累积局部效应（ALE）是一种广泛使用的可解释性方法，用于隔离特征对输出的平均效应，因为它能很好地处理特征相关的情况。然而，它有两个局限。首先，它未量化实例级（局部）效应与平均（全局）效应的偏差，即异质性。其次，为估计平均效应，它将特征域划分为用户定义的固定大小分箱，不同的分箱大小可能导致不一致的 ALE 估计。为应对这些局限，我们提出了鲁棒且异质性感知的 ALE（RHALE）。RHALE 通过考虑局部效应的标准差来量化异质性，并自动确定最优的变大小分箱分割。在本文中，我们证明为实现每个分箱内局部效应标准差的无偏近似，分箱分割必须遵循一组充分条件。基于这些条件，我们提出了一种自动确定最优划分的算法，以平衡估计偏差与方差。通过在合成和真实数据集上的评估，我们展示了 RHALE 相对于其他方法的优越性，包括自动分箱的优势，尤其在特征相关的情况下。
引用
@article{arxiv.2309.11193,
title = {RHALE: Robust and Heterogeneity-aware Accumulated Local Effects},
author = {Vasilis Gkolemis and Theodore Dalamagas and Eirini Ntoutsi and Christos Diou},
journal= {arXiv preprint arXiv:2309.11193},
year = {2023}
}
备注
Accepted at ECAI 2023 (European Conference on Artificial Intelligence)