约束条件下分类器决策的充分原因
人工智能
2021-05-14 v1 计算机科学中的逻辑
摘要
近期研究揭示了一种用于推理二分类器决策的理论：分类器描述一个布尔函数，而一个实例被分类为正类的背后原因，是该实例所满足的函数的素蕴涵项。这些工作的一个缺陷是未显式处理底层数据已知受约束的情形，例如某些特征组合可能不存在、不可观测，或需被忽略。我们提出了一种更一般的理论，同样基于素蕴涵项，并专门考虑约束条件。核心思想是将约束下的分类器视为描述部分布尔函数，即在未满足约束的实例上无定义。我们证明这一简单思想所得原因不逊于（且有时优于）原有原因之简洁性。也就是说，不考虑约束（例如忽略约束，或将不满足约束的实例视为负类）所得原因被考虑约束所得原因所蕴含。我们在合成分类器及从真实数据学习的分类器上展示了这种改进的简洁性。
引用
@article{arxiv.2105.06001,
title = {Sufficient reasons for classifier decisions in the presence of constraints},
author = {Niku Gorji and Sasha Rubin},
journal= {arXiv preprint arXiv:2105.06001},
year = {2021}
}