迈向可解释的元学习
机器学习
2021-07-13 v2 机器学习
摘要
元学习是一个旨在发现不同机器学习算法在广泛预测任务上表现如何的领域。此类知识可加速超参数调优或特征工程。借助代理模型，预测任务的各个方面（如元特征、landmarker模型等）被用于预测期望性能。最先进的方法聚焦于搜索最佳元模型，但未解释这些不同方面如何贡献于其性能。然而，为构建新一代元模型，我们需要更深入理解元特征对模型可调性的重要性与影响。本文中，我们提出为可解释人工智能（XAI）开发的技术，以检验并从黑盒代理模型中提取知识。据我们所知，这是首篇展示如何将事后可解释性用于改进元学习的论文。
引用
@article{arxiv.2002.04276,
title = {Towards explainable meta-learning},
author = {Katarzyna Woźnica and Przemysław Biecek},
journal= {arXiv preprint arXiv:2002.04276},
year = {2021}
}