0
点赞
收藏
分享

微信扫一扫

论文阅读 (43):Optimizing Binary Decision Diagrams with MaxSAT for Classification

文章目录

0 引入

0.1 题目

  AAAI2022:使用MaxSAT优化二元决策图进行分类 (Optimizing binary decision diagrams with MaxSAT for classification)

0.2 背景

  关键决策下的可解释人工智能 (explainable artificial intelligence, XAI) 的发展,促使了可解释机器学习 (machine learning, ML) 模型的探索。事实上,由于它们的内在结构,尤其是小尺寸,使得这些模型在本质上可被人类理解。近年来,一些计算此类模型的精确方法被相继提出,以提供更紧凑的模型更好的预测质量来弥补传统启发式方法的不足。
  然而,尽管它们对布尔函数 (Boolean functions)进行了压缩表示,但二元决策图 (binary decision diagrams, BDDs) 并没有像其他可解释 ML 那般获取足够的关注。

0.3 方法

  1)提出了基于SAT的模型,用于根据特征数量学习对所有输入示例进行分类的最佳BDDs;
  2)提升编码到MaxSAT模型,以学习有限深度内的最佳BDDs,从而最大限度地增加正确分类的示例数量;
  3)合并通过MaxSAT模型找到的 BDD 的兼容子树来解决碎片问题;
  4)与前沿方法相比,综合实验展示了我们算法在预测性能和可解释性上的巨大优势。

1 技术背景

  给定包含 M M M个示例的数据集 E = { e q , … , e M } \mathcal{E}=\{e_q,\dots,e_M\} E={eq,,eM}。每个样本 e q ∈ E e_q \in \mathcal{E} eqE被描述为二元特征的列表 L q = [ f 1 , … , f K ] \mathcal{L}_q=[f_1,\dots,f_K] Lq=[f1,,fK],其相应二元标签为 c l q cl_q clq
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  

举报

相关推荐

[论文阅读] 如何阅读论文

0 条评论