기계 학습 모델 해석

Entrar

insight - 기계 학습 모델 해석

Shapley 값은 블랙박스 기계 학습 모델의 예측을 설명하는 데 널리 사용되지만, 높은 계산 비용으로 인해 샘플링 근사치를 사용하게 되어 상당한 불확실성이 발생한다. 이를 해결하기 위해 우리는 제어 변량 기법을 활용한 ControlSHAP 방법을 제안한다.

본 연구는 랜덤 포레스트 모델의 해석을 위해 예측 성능, 해석 가능성, 모델 복잡도 간의 균형을 고려하여 최적화된 규칙 앙상블을 생성하는 방법을 제안한다.

적대적 랜덤 포레스트(ARF)를 활용하여 모델 독립적이고 현실적인 대안적 시나리오를 효율적으로 생성할 수 있다.

상호작용형 Merlin-Arthur 분류기를 통해 복잡한 모델에서도 특징과 분류 결정 간의 상호 정보량에 대한 보장을 제공한다.

랜덤화된 앙상블 모델의 예측 불확실성으로 인해 기존 반사실적 설명 방법은 견고성이 낮다. 이를 해결하기 위해 확률적 접근을 통해 견고한 반사실적 설명을 생성할 수 있는 방법을 제안한다.

함수 트리 기법은 다변량 함수의 내부 구조를 드러내어 입력 변수들의 상호작용 효과를 파악할 수 있게 해준다.

Sobre

Produtos

Recursos