.png){kind=icon}
返回
Optimisation-Based Feature Selection for Regression Neural Networks Towards Explainability
.png){kind=icon}
OA
AI
DOI：10.3390/make7020033.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
回归是机器学习中的基本任务，神经网络已被成功应用于许多应用中以识别潜在的回归模式。然而，它们常因缺乏可解释性而受到批评，并通常被称为黑箱模型。特征选择方法通过移除不重要特征来简化数据集，并通过揭示特征重要性来提高可解释性。在本工作中，我们利用数学规划来识别具有ReLU激活函数的已训练深度神经网络中的最重要特征，从而更深入地了解其决策过程。与传统的特征选择方法不同，我们的方法通过混合整数线性规划（MILP）模型调整已训练神经网络的权重和偏差，以识别最重要特征并由此揭示潜在关系。报告了数学公式，该公式确定所选特征的子集，并应用聚类以降低模型复杂度。我们的结果表明，与其它特征选择方法相比，当采用所提出的方法进行特征选择时，神经网络的性能得到提升。最后，对每个数据集的特征选择频率的分析揭示了特征在模型预测中的贡献，从而解决了神经网络的黑箱性质。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
暂无期刊信息
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Optimal training of integer-valued neural networks with mixed integer programming托尔巴纳尔森, T.; 尤克-史密斯, N. 整数值神经网络的混合整数规划最优训练. PLoS ONE 2023, 18, e0261029. [谷歌学术] [ CrossRef ]PLOS ONE
PLOS ONEIF0
PREAI
分享收藏Risk-aware microgrid operation and participation in the day-ahead electricity market风险感知的微电网运营和参与日前电力市场
OAAI
OAAI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Shah, V.; Konda, S.R. Neural Networks and Explainable AI: Bridging the Gap between Models and Interpretability. Int. J. Comput. Sci. Technol. 2021, 5, 2. [Google Scholar] [CrossRef]Shah, V.; Konda, S.R. 神经网络与可解释人工智能：连接模型与可解释性的桥梁。国际计算机科学与技术杂志，2021年，第5卷，第2期。[谷歌学术][交叉引用]
IF0
PREAI
分享收藏
查看更多内容