Granger-Causal专家专注组合：使用神经网络学习重要特征

摘要

了解输入特征对机器学习模型决策的重要性对于提高我们对模型和底层数据的理解至关重要。在这里，我们提出了一种利用神经网络估计特征重要性的新方法，该方法基于将感兴趣的特征在专家集中的混合（AME）中分配给专家的思想。AME使用经过Granger-causal目标训练的专注门控网络，学习在单个模型中联合生成准确的预测以及特征重要性的估计。我们的实验表明：（i）AME提供的特征重要性估计值优于状态方法提供的估计值，（ii）AME在估计特征重要性方面明显快于现有方法，以及（iii）AME发现的关联与领域专家报告的关联一致。