结构神经加性模型：增强型可解释机器学习
机器学习
2023-02-21 v1 统计计算
摘要
深度神经网络（DNN）在广泛的任务中展现出卓越性能，已成为需要高预测能力问题的首选方法。关于 DNN 如何做出决策已有大量研究，然而，这些本质上不可解释的网络至今仍大多是无法观测的“黑箱”。近年来，该领域出现了向可解释神经网络发展的趋势，例如视觉可解释的神经加性模型（NAM）。我们朝着超越单纯特征效应可视化的可理解性方向迈出进一步，提出结构神经加性模型（SNAM）。这是一个将经典且清晰可解释的统计方法与神经应用的预测能力相结合的建模框架。我们的实验验证了 SNAM 的预测性能。所提出的框架性能可与最先进的全连接 DNN 相媲美，并且我们证明 SNAM 甚至能超越 NAM，同时保持本质上更强的可解释性。
引用
@article{arxiv.2302.09275,
title = {Structural Neural Additive Models: Enhanced Interpretable Machine Learning},
author = {Mattias Luber and Anton Thielmann and Benjamin Säfken},
journal= {arXiv preprint arXiv:2302.09275},
year = {2023}
}