.png){kind=icon}
返回
Variable Importance Estimation for High-Dimensional Optimisation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07938-1_10.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习模型在优化问题的解空间上训练，可能有助于揭示变量重要性。在先前的工作中，新建立的组合基准——具有变量重要性的多项式无约束二元优化（PUBOi）——以这种方式被使用。考虑了较小的搜索空间，以便能够完全枚举和采样。该研究证实，可解释人工智能（XAI）的特征归因方法可以检测到这个组合优化问题中的真实重要性。在当前工作中，我们考虑了更大维度的问题，旨在确定结果和XAI方法是否可扩展。我们比较了PUBOi实例中重要变量和不重要变量的分布，以比较流行的XAI方法，揭示重要变量被捕获的程度。我们发现，在高维实例中，重要变量被捕获，但捕获程度低于低维实例。该分析将有助于指导未来在优化过程中调整搜索算子方面的工作。
Keyword:
explainable artificial intelligence
variable importance
pseudo-boolean optimisation
期刊
A
IF:
0
论文数:
39
被引数:
0
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
Explainable Landscape Analysis in Automated Algorithm Performance Prediction可解释的景观分析在自动化算法性能预测中的应用
PREAI
分享收藏Towards Explaining Metaheuristic Solution Quality by Data Mining Surrogate Fitness Models for Importance of Variables关于通过数据挖掘代理适应度模型来解释元启发式解质量中变量重要性的研究
PREAI
分享收藏A systematic review of Explainable Artificial Intelligence models and applications: Recent developments and future trends可解释的人工智能模型和应用的系统综述: 最近的发展和未来趋势
OAAI
OAAI分享收藏分享收藏分享收藏分享收藏
查看更多内容