SnapToGrid：从统计模型到可解释模型的生物医学信息抽取
计算与语言
2016-07-01 v1
摘要
我们提出一种生物医学信息抽取方法，融合了机器学习模型（如直接从数据中学习）的优势与基于规则方法（如可解释性）的优点。该方法首先训练一个基于特征的统计模型，然后通过将特征转换为规则，并将特征权重“对齐到网格”为离散投票，将该模型转换为基于规则的变体。通过这种方式，我们的方案利用了机器学习领域的大量工作成果，但生成了一个可解释的模型，可由专家直接编辑。我们在 BioNLP 2009 事件抽取任务上评估了该方法。结果表明，将统计模型转换为规则时会有轻微的性能损失，但可解释性的提升弥补了这一点：只需极少的人工努力，人类专家就能改进该模型，使其性能与作为起点的统计模型相当。
引用
@article{arxiv.1606.09604,
title = {SnapToGrid: From Statistical to Interpretable Models for Biomedical Information Extraction},
author = {Marco A. Valenzuela-Escarcega and Gus Hahn-Powell and Dane Bell and Mihai Surdeanu},
journal= {arXiv preprint arXiv:1606.09604},
year = {2016}
}