Academic Journal
NLS: An accurate and yet easy-to-interpret prediction method
| Title: | NLS: An accurate and yet easy-to-interpret prediction method |
|---|---|
| Authors: | Victor Coscrato, Marlene Inácio, Tiago Botari, Rafael Izbicki |
| Source: | Neural Networks. 162:117-130 |
| Publisher Information: | Elsevier BV, 2023. |
| Publication Year: | 2023 |
| Subject Terms: | Artificial neural network, Artificial intelligence, Explainable Artificial Intelligence, Epistemology, Leverage (statistics), Learning with Noisy Labels in Machine Learning, Machine Learning, Anomaly Detection in High-Dimensional Data, Context (archaeology), Artificial Intelligence, Black box, Machine learning, Deep neural networks, State (computer science), Humans, Model Interpretability, Biology, Paleontology, Deep learning, Computer science, Machine Learning Interpretability, FOS: Philosophy, ethics and religion, Algorithm, Philosophy, Computer Science, Physical Sciences, Neural Networks, Computer, Supervised Machine Learning, Interpretable Models, Predictive power, Algorithms, Robust Learning |
| Description: | Au cours des dernières années, le pouvoir prédictif de l'apprentissage automatique supervisé (ML) a connu des avancées impressionnantes, atteignant le statut d'état de l'art et de niveau surhumain dans certaines applications. Cependant, le taux d'emploi des modèles de BC dans les applications réelles est beaucoup plus lent que prévu. L'un des inconvénients de l'utilisation de technologies basées sur des solutions de ML est le manque de confiance des utilisateurs dans le modèle produit, qui est lié à la nature boîte noire de ces modèles. Pour tirer parti de l'application des modèles de ML, les prédictions générées doivent être faciles à interpréter tout en conservant une grande précision. Dans ce contexte, nous développons le Neural Local Smoother (NLS), une architecture de réseau neuronal qui donne des prédictions précises avec des explications faciles à obtenir. L'idée clé de NLS est d'ajouter une couche linéaire locale lisse à un réseau standard. Nous montrons des expériences qui indiquent que le NLS conduit à un pouvoir prédictif comparable aux modèles d'apprentissage automatique de pointe, mais qui est en même temps plus facile à interpréter. En los últimos años, el poder predictivo del aprendizaje automático supervisado (ML) ha experimentado avances impresionantes, alcanzando el estatus de estado del arte y nivel sobrehumano en algunas aplicaciones. Sin embargo, la tasa de empleo de los modelos de ML en aplicaciones de la vida real es mucho más lenta de lo que cabría esperar. Una de las desventajas de usar tecnologías basadas en soluciones de ML es la falta de confianza del usuario en el modelo producido, que está relacionada con la naturaleza de caja negra de estos modelos. Para aprovechar la aplicación de modelos de ML, las predicciones generadas deben ser fáciles de interpretar y mantener una alta precisión. En este contexto, desarrollamos el Neural Local Smoother (NLS), una arquitectura de red neuronal que produce predicciones precisas con explicaciones fáciles de obtener. La idea clave de NLS es añadir una capa lineal local suave a una red estándar. Mostramos experimentos que indican que NLS conduce a un poder predictivo que es comparable a los modelos de aprendizaje automático de última generación, pero que al mismo tiempo es más fácil de interpretar. Over the last years, the predictive power of supervised machine learning (ML) has undergone impressive advances, achieving the status of state of the art and super-human level in some applications. However, the employment rate of ML models in real-life applications is much slower than one would expect. One of the downsides of using ML solution-based technologies is the lack of user trust in the produced model, which is related to the black-box nature of these models. To leverage the application of ML models, the generated predictions should be easy to interpret while maintaining a high accuracy. In this context, we develop the Neural Local Smoother (NLS), a neural network architecture that yields accurate predictions with easy-to-obtain explanations. The key idea of NLS is to add a smooth local linear layer to a standard network. We show experiments that indicate that NLS leads to a predictive power that is comparable to state-of-the-art machine learning models, but that at the same time is easier to interpret. على مدى السنوات الماضية، شهدت القوة التنبؤية للتعلم الآلي الخاضع للإشراف تقدمًا مثيرًا للإعجاب، حيث حققت حالة من التطور والمستوى الفائق للإنسان في بعض التطبيقات. ومع ذلك، فإن معدل توظيف نماذج غسل الأموال في تطبيقات الحياة الواقعية أبطأ بكثير مما يتوقعه المرء. أحد الجوانب السلبية لاستخدام التقنيات القائمة على حلول التعلم الآلي هو عدم ثقة المستخدم في النموذج المنتج، والذي يرتبط بطبيعة الصندوق الأسود لهذه النماذج. للاستفادة من تطبيق نماذج التعلم الآلي، يجب أن تكون التنبؤات الناتجة سهلة التفسير مع الحفاظ على دقة عالية. في هذا السياق، نقوم بتطوير السلاسة المحلية العصبية (NLS)، وهي بنية شبكة عصبية تنتج تنبؤات دقيقة مع تفسيرات سهلة الحصول عليها. الفكرة الرئيسية لـ NLS هي إضافة طبقة خطية محلية سلسة إلى شبكة قياسية. نعرض تجارب تشير إلى أن NLS تؤدي إلى قوة تنبؤية مماثلة لأحدث نماذج التعلم الآلي، ولكن في الوقت نفسه يسهل تفسيرها. |
| Document Type: | Article Other literature type |
| Language: | English |
| ISSN: | 0893-6080 |
| DOI: | 10.1016/j.neunet.2023.02.043 |
| DOI: | 10.60692/x27xn-vq070 |
| DOI: | 10.60692/h95dm-k1186 |
| Access URL: | https://pubmed.ncbi.nlm.nih.gov/36905822 |
| Rights: | CC BY |
| Accession Number: | edsair.doi.dedup.....29d364f99b581d2c2a255d6c9a0aaebd |
| Database: | OpenAIRE |
| ISSN: | 08936080 |
|---|---|
| DOI: | 10.1016/j.neunet.2023.02.043 |