.png){kind=icon}
返回
Interpret When Possible: A Tree-Based Hybrid Framework for Interpretable Classification
.png){kind=icon}
PRE
AI
DOI：10.26599/BDMA.2025.9020055.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对可解释人工智能模型的需求持续增长，但要在不牺牲复杂黑箱系统典型预测精度的情况下实现可解释性仍然困难。虽然现有的混合方法试图通过结合白箱和黑箱模型来弥合这一差距，但它们通常存在局限性，包括依赖更简单的可解释组件（例如规则和线性模型）以及需要重新训练来调整透明度水平的僵化性。为解决这些局限性，我们提出了一个新颖的基于树的混合可解释（THIN）分类框架。THIN将紧凑的分类树与高性能黑箱模型集成，通过基于决策距离的选择机制在推理过程中动态控制透明度，而无需修改训练模型。引入了一种定制化的三阶段训练算法，在黑箱模型的指导下构建高质量决策树，在增强其预测性能的同时保持可解释性。在基准和大规模数据集上的实验结果表明，THIN实现了与最先进黑箱模型相当的预测精度，同时相比传统决策树显著提高了可解释性并降低了模型复杂度。
Keyword:
Training
Accuracy
Heuristic algorithms
Closed box
Predictive models
Prediction algorithms
Inference algorithms
Classification algorithms
Glass box
Classification tree analysis
interpretable machine learning
Decision Trees (DTs)
classification
期刊
IF:
6.2
论文数:
274
被引数:
1.0K
机构
引用论文
Explaining Deep Neural Networks and Beyond: A Review of Methods and Applications解释深度神经网络及其以后: 方法和应用综述.png)
PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏
分享收藏分享收藏分享收藏Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型OAAI
OAAI分享收藏
查看更多内容