Table2Image：基于真实图像变换的可解释表格数据分类
机器学习
2025-01-24 v2
摘要
近期深度学习方法在表格数据上取得了显著进展，但仍面临实现可解释性和轻量化的挑战。本文引入Table2Image—a新型框架，将表格数据转换为真实且多样化的图像表示，使深度学习方法能够实现具竞争力的分类性能。为解决表格数据中的多重共线性问题，本文提出一种方差膨胀因子（variance inflation factor, VIF）初始化方法，通过纳入统计特征关系，增强模型的稳定性和鲁棒性。此外，本文提出一种可解释性框架，整合原始表格数据及其转换后图像表示的洞见，利用Shapley增益解释（SHAP）及方法最小化分布差异。在基准数据集上的实验表明，我们的方法在准确率、ROC曲线下面积和可解释性方面均优于最新的领先深度学习模型。我们的轻量级方法为表格数据分类提供了可扩展且可靠的解决方案。
引用
@article{arxiv.2412.06265,
title = {Table2Image: Interpretable Tabular Data Classification with Realistic Image Transformations},
author = {Seungeun Lee and Il-Youp Kwak and Kihwan Lee and Subin Bae and Sangjun Lee and Seulbin Lee and Seungsang Oh},
journal= {arXiv preprint arXiv:2412.06265},
year = {2025}
}