Granger-Causal专家专注组合:使用神经网络学习重要特征 作者 帕特里克·施瓦布 苏黎世ETH 乔杰·米拉迪诺维奇 苏黎世ETH 沃尔特·卡伦 苏黎世ETH 内政部: https://doi.org/10.1609/aaai.v33i01.33014846 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。 下载 PDF格式 出版 2019-07-17 如何引用 Schwab,P.、Miladinovic,D.和Karlen,W.(2019年)。专家的格兰杰因果注意混合:用神经网络学习重要特征。AAAI人工智能会议记录,33(01), 4846-4853. https://doi.org/10.1609/aaai.v33i01.33014846 更多引文格式 ACM公司 ACS公司 亚太地区 澳大利亚北卡罗来纳州 芝加哥 哈佛 电气与电子工程师协会 MLA公司 图拉宾语 温哥华 下载引文 尾注/佐特罗/门德利(RIS) BibTeX公司 发行 第33卷第01期:AAAI-19、IAAI-19和EAAI-20 章节 AAAI技术方向:机器学习