结构性组合函数网络：表格数据的可解释函数组合
机器学习
2026-01-29 v1 人工智能
摘要
尽管表格数据在高风险领域中应用广泛，传统深度学习架构往往难以在保持科学可解释性的同时匹配梯度提升决策树的性能。标准神经网络通常将特征视为独立实体，无法利用定义表格分布所固有的流形结构依赖。我们提出结构性组合函数网络（StructuralCFN），一种通过可微分结构先验施加关系感知归纳偏置的新型架构。StructuralCFN 显式地将每个特征建模为其它特征的函数组合，通过可微分自适应门控实现，这会自动发现每个关系的最优激活物理（例如注意力式过滤或抑制极性）。我们的框架实现结构化知识集成，允许将特定领域的关系先验直接注入架构中以引导发现。我们在18个基准数据集上进行严格的10折交叉验证评估，结果表明在科学和临床数据集（如血液输血、臭氧、WDBC）上实现统计显著性改进（p<0.05）。此外，StructuralCFN 提供内在符号可解释性：它以人类可读的数学表达式恢复数据流形的支配性“法则”，同时保持紧凑的参数规模（300--2,500 个参数），比标准深度基线小一个数量级（10倍--20倍）。
引用
@article{arxiv.2601.20037,
title = {Structural Compositional Function Networks: Interpretable Functional Compositions for Tabular Discovery},
author = {Fang Li},
journal= {arXiv preprint arXiv:2601.20037},
year = {2026}
}
备注
Code and data available at https://github.com/fanglioc/StructuralCFN-public