.png){kind=icon}
返回
Interpretable Instance-Based Learning Through Pairwise Distance Trees
.png){kind=icon}
OA
AI
DOI：10.1007/978-3-032-06078-5_1.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于实例的模型通过基于具体示例进行决策，提供了自然的可解释性。然而，其透明度常因使用复杂的相似度度量而受阻，这些度量难以解释，尤其是在高维数据集中。为解决此问题，本文提出了一种元学习框架，通过用可解释的成对距离树替换传统的复杂成对距离函数，来增强实例模型的可解释性。这些树设计时优先考虑简单性和透明度，同时保持模型的有效性。通过提供清晰的决策过程，该框架使实例选择更易理解。此外，该框架减轻了实例模型通常需要计算所有成对距离的计算负担。利用成对距离树的泛化能力并结合采样策略选择代表性子集，该方法显著降低了计算复杂度。我们的实验表明，所提出的方法在仅以适度精度损失为代价的情况下提高了计算效率，同时显著增强了学习距离的可解释性。
Keyword:
Pairwise Learning
Interpretable Distance
Meta-learning
期刊
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容