基于序列数据稳定的黑盒局部解释性方法研究

摘要：

机器学习在实际应用场景中取得了巨大成功,但无法给出决策的明确解释限制了它在一些领域的应用.为改善其计算结果的不可理解性,一些学者对机器学习的可解释性进行研究,已有针对图像的解释性方法很难对具有时序相关性的文本数据做出正确的解释.针对这一问题,论文提出一种面向时序数据的稳定黑盒局部解释性方法DLEMNA.利用聚类算法解决随机扰动解释造成的不稳定性,引入Fused Lasso约束考量特征之间的时序相关性,通过构建线性模型计算影响决策的重要特征.论文以20newsgroups数据集为实验对象,实验结果表明论文提出的DLEMNA方法在保真性和稳定性两方面优于LIME方法.

关键词：序列数据、可解释性、聚类、Fused Lasso、线性模型

所属期刊栏目：50

分类号：O141.4(数理逻辑、数学基础)

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2509-2514,2520