Główne pojęcia
Dieser Artikel stellt einen neuartigen Ansatz namens GP-EMaL vor, der darauf abzielt, die Erklärbarkeit von Manifold-Lernmodellen, die mit genetischem Programmieren (GP) erstellt werden, zu verbessern. GP-EMaL führt eine neue Komplexitätsmetrik ein, die direkt die Komplexität der GP-Bäume minimiert, ohne dabei die Qualität der Manifold-Einbettung zu beeinträchtigen.
Streszczenie
Der Artikel befasst sich mit dem Thema des Manifold-Lernens, einer Kategorie der nichtlinearen Dimensionsreduktion (NLDR), die es ermöglicht, hochdimensionale Datensätze in niedrigdimensionale Einbettungen zu transformieren. Manifold-Lernverfahren spielen eine entscheidende Rolle, da sie die Effizienz und Interpretierbarkeit der Datenanalyse verbessern können.
Eine Herausforderung bei derzeitigen Manifold-Lernmethoden ist jedoch ihr Mangel an expliziten funktionalen Abbildungen, die für die Erklärbarkeit in vielen Anwendungen entscheidend sind. Genetisches Programmieren (GP) hat sich als vielversprechender Ansatz erwiesen, um diese Herausforderung anzugehen, da es interpretierbare funktionale Baummodelle erzeugt.
Bisherige Forschung nutzte einen mehrkriterienbasierten GP-Ansatz, um die Manifold-Qualität gegen die Einbettungsdimensionalität auszubalancieren. Allerdings wurden die resultierenden Abbildungsbäume oft komplex, was die Erklärbarkeit beeinträchtigte.
Als Reaktion darauf stellt dieser Artikel den GP-EMaL-Ansatz vor, der die Komplexität der Bäume direkt bestraft. GP-EMaL kann eine hohe Manifold-Qualität beibehalten und gleichzeitig die Erklärbarkeit deutlich verbessern. Darüber hinaus ermöglicht der Ansatz eine Anpassung der Komplexitätsmaße, wie z.B. Symmetrieausgleich, Skalierung und Knotenkomplexität, um den Bedürfnissen verschiedener Anwendungen gerecht zu werden.
Die experimentelle Analyse zeigt, dass GP-EMaL in den meisten Fällen die Leistung des bestehenden Ansatzes erreichen kann, dabei aber einfachere, kleinere und interpretierbarere Baumstrukturen verwendet. Diese Weiterentwicklung markiert einen wichtigen Schritt in Richtung interpretierbares Manifold-Lernen.
Statystyki
Keine relevanten Statistiken oder Kennzahlen im Artikel enthalten.
Cytaty
Keine relevanten Zitate im Artikel enthalten.