Core Concepts
IMLIBは、SQFSATとIMLIから得られた手法を組み合わせて、解釈可能でバランスの取れたルールを生成する新しいインクリメンタルモデルを提案しています。
Abstract
機械学習の進歩により、正確な予測を行う多くのアプリケーションが開発されています。
ただし、一部の問題では正確さだけでは不十分であり、説明と解釈性が求められます。
IMLIBは、SQFSATから得られた手法を活用しながら、IMLIから技術を取り入れており、小さくてバランスの取れたルールを生成します。
実験結果では、IMLIBは多くの場合にIMLIよりも優れた精度を達成しました。
Introduction
機械学習における成功は研究の進歩につながっており、さまざまな問題や状況に対処するアプリケーションが登場しています。
予測モデルの説明不足は信頼性に影響し、重要な状況でこれらのアプリケーションを使用する際に問題となります。
Rule Learning with SAT and MaxSAT
SQFSATはX, y, k, lというパラメーターを受け取り、すべてのサンプルXiを正しく分類するセットRを見つけようとします。
IMLIはX, y, k, λというパラメーターを受け取り、最小限のセットMをCNF形式で生成しようとします。
Experiments
IMLIBはIMLIよりも小さくてバランスの取れた規則セットを生成しました。しかし、訓練時間ではIMLIが常に優れていました。
Stats
Ghosh et al. created a classification model based on MaxSAT called IMLI.
The lung cancer dataset has 59 samples with 31 in class E+ and 28 in class E-.
Quotes
"Many real-world problems also demand explanations and interpretability behind the predictions."
"One of the most popular interpretable models that are classification rules."