.png){kind=icon}
返回
Queryable and Interpretable PU Learning Through Probabilistic Circuits
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06066-2_25.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们介绍了一种仅涉及正例和未标记数据（PU数据）且专注于可解释模型的全新概念学习场景。我们的场景由一个实际应用驱动，即学习音乐播放列表的概念（例如“放松音乐”）。这些概念必须被人理解并用作数据库查询。我们证明，概率电路为PU学习提供了一个有吸引力的解决方案，因为它们可以有效地学习表示联合概率分布，而无需负例。然而，实现可解释性和无缝转换为数据库查询带来了额外的挑战。为解决这些问题，我们提出了一种新方法，将学习到的概率电路转换为基于逻辑的判别模型。值得注意的是，这是首次在PU学习框架中研究概率电路的研究，贡献了两个关键创新：（1）一种新的描述长度度量方法，称为聚合熵，作为可解释性的度量；（2）PUTPUT算法，旨在转换成基于逻辑的模型之前，从电路中修剪低概率区域，同时优化F1分数和聚合熵。
Keyword:
Probabilistic Circuits
Positive and Unlabeled Learning
Interpretability
Queryable Models
Aggregated Entropy
期刊
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Modeling PU learning using probabilistic logic programming使用概率逻辑编程对PU学习进行建模MACHINE LEARNING
MACHINE LEARNINGIF2.9
PREAI
分享收藏
查看更多内容