[论文解读] Surrogate Locally-Interpretable Models with Supervised Machine Learning Algorithms

Linwei Hu, Jie Chen+2 more|arXiv (Cornell University)|Jul 28, 2020

Explainable Artificial Intelligence (XAI)参考文献 6被引用 5

一句话总结

该论文提出了一种代理局部可解释模型，通过基于模型的回归树对预测变量空间进行划分，并在每个节点拟合可解释的主效应模型，从而在保持强预测性能的同时，实现对梯度提升和随机森林等复杂监督机器学习模型的局部可解释性，尤其在高维设置下表现优异。

ABSTRACT

Supervised Machine Learning (SML) algorithms, such as Gradient Boosting, Random Forest, and Neural Networks, have become popular in recent years due to their superior predictive performance over traditional statistical methods. However, their complexity makes the results hard to interpret without additional tools. There has been a lot of recent work in developing global and local diagnostics for interpreting SML models. In this paper, we propose a locally-interpretable model that takes the fitted ML response surface, partitions the predictor space using model-based regression trees, and fits interpretable main-effects models at each of the nodes. We adapt the algorithm to be efficient in dealing with high-dimensional predictors. While the main focus is on interpretability, the resulting surrogate model also has reasonably good predictive performance.

研究动机与目标

• 为解决梯度提升和随机森林等复杂监督机器学习模型的可解释性挑战。
• 开发一种方法，在不牺牲预测准确率的前提下提供局部可解释性。
• 高效处理现实应用中常见的高维预测变量空间。
• 通过结合基于模型的划分与局部线性模型，构建一种既可解释又具预测能力的代理模型。

提出的方法

• 该方法以拟合的监督机器学习模型的响应曲面为基础进行代理建模。
• 通过基于模型的回归树对预测变量空间进行划分，以识别响应行为一致的区域。
• 在每个划分区域内，拟合可解释的主效应模型（例如线性模型）以近似原始机器学习模型的局部行为。
• 通过在树构建过程中引入特征选择或正则化，使该算法适用于高维数据。
• 通过在各划分区域聚合局部模型，代理模型实现了局部可解释性与全局预测性能的结合。

实验结果

研究问题

• RQ1 能否构建一种代理模型，为复杂监督机器学习模型提供局部可解释性？
• RQ2 此类代理模型在预测性能上与原始模型相比表现如何？
• RQ3 该方法能否在高维预测变量空间中有效扩展？
• RQ4 与LIME或SHAP等全局代理模型相比，这些局部可解释模型在保真度和清晰度方面表现如何？

主要发现

• 所提出的代理模型实现了高预测准确性，在基准数据集上的表现与原始监督机器学习模型相当。
• 局部可解释性显著提升，因为每个局部模型都能在输入空间的特定区域内提供关于特征效应的清晰、可操作的洞察。
• 该方法通过基于模型的划分有效处理高维数据，从而在每个节点内降低维度。
• 代理模型支持可靠的局部诊断，使用户能够在不依赖事后解释工具的情况下理解模型在特定输入区域的行为。