CN115329933A - 一种模型解释方法、装置、电子设备和存储介质 - Google Patents
一种模型解释方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115329933A CN115329933A CN202210950764.1A CN202210950764A CN115329933A CN 115329933 A CN115329933 A CN 115329933A CN 202210950764 A CN202210950764 A CN 202210950764A CN 115329933 A CN115329933 A CN 115329933A
- Authority
- CN
- China
- Prior art keywords
- interpretation
- result
- global
- interpretation result
- target model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种模型解释方法、装置、电子设备和存储介质,涉及人工智能领域,尤其涉及深度学习技术领域。具体实现方案包括:对目标模型进行全局解释,得到全局解释结果;根据所述全局解释结果,确定所述目标模型对单个训练样本的局部解释结果。本公开方案将全局解释结果引入到局部解释的计算中,可提高模型局部解释的准确性。
Description
技术领域
本公开涉及人工智能领域,尤其涉及深度学习技术领域,具体涉及一种模型解释方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
随着计算能力的提升、数据资源的丰富,以及以深度学习为核心的算法开发,人工智能在各个领域都有了新的飞速发展。
然而,在利用基于深度学习模型的人工智能技术进行预测或决策时,人们难以理解基于深度学习模型的人工智能技术到底是提取了什么特征来做最后的决策。因此,亟需一种模型解释方法,以解释模型什么会是这样的输出,又是依据什么做的决策。
发明内容
本公开提供了一种模型解释方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的一方面,提供了一种模型解释方法,包括:
对目标模型进行全局解释,得到全局解释结果;
根据所述全局解释结果,确定所述目标模型对单个训练样本的局部解释结果。
根据本公开的一方面,提供了一种模型解释装置,包括:
第一解释模块,用于对目标模型进行全局解释,得到全局解释结果;
第二解释模块,用于根据所述全局解释结果,确定所述目标模型对单个训练样本的局部解释结果。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开任意实施例的模型解释方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本公开任意实施例的模型解释方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开任意实施例的模型解释方法。
根据本公开的技术,将全局解释结果引入到局部解释的计算中,可提高模型局部解释的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例提供的一种模型解释方法的流程示意图;
图2是本公开实施例提供的又一种模型解释方法的流程示意图;
图3是本公开实施例提供的又一种模型解释方法的流程示意图;
图4是本公开实施例提供的一种模型解释装置的结构示意图;
图5是用来实现本公开实施例的模型解释方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公实施例中的模型可选的是深度学习模型,而模型解释是对模型如何做出预测的解释,模型可解释的程度就是模型能被理解的程度。当模型可解释性越好,人们就越容易理解模型做出决定或预测的原因。从模型解释的范围来讲,模型解释可分为:全局解释和局部解释。其中,全局解释是基于整个数据集的解释或者说基于模型层面的解释;而局部解释是针对单个样本或数据子集中自变量和因变量条件交互的解释。对模型只进行全局解释时,可以得到非常简单易懂的解释结果,但是从信息论的角度来看,全局解释算法因为使用了简化模型并尝试使用简化后的模型去模拟原来的复杂模型,必然会丢失了大量的原模型信息。而局部解释,可针对不同的样本进行局部拟合,可以针对模型对不同样本的决策进行单独分析。对于复杂的深度学习模型而言,局部解释无疑会比全局解释更加准确。然而由于局部解释只对单个样本进行解释,对模型的整体表现并没有额外的信息,导致局部解释的准确度存在一定的不足。基于此,本公开提出一种模型解释方法,将全局解释结果引入到局部解释算法中,也即在对模型进行局部解释时,结合全局解释的结果信息,对单个样本进行更加准确的解释。方案的具体流程可参见如下实施例。
图1为本公开实施例的一种模型解释方法的流程示意图,本实施例可适用于在数据挖掘场景中,提高深度学习模型的可解释性的情况,典型的,可用于提高金融、自动驾驶和医疗诊断等场景下的深度学习模型的可解释性。该方法可由一种模型解释装置来执行,该装置采用软件和/或硬件的方式实现,并集成在电子设备上。
具体的,参见图1,模型解释方法如下:
S101、对目标模型进行全局解释,得到全局解释结果。
其中,目标模型是预先利用训练样本训练好的的模型,可选的,目标模型可以是深度学习模型,例如可以是卷积神经网络模型、递归神经网络模型、卷积神经网络模型、深度信念网络模型中的任意一种,本实施例对于目标模型的具体类别不做具体限定。
针对训练好的目标模型,可利用全局解释算法对目标进行全局解释。在一种可选的实施方式中,先确定一种可解释模型,比如规则模型、线性模型、树模型,进而通过确定的可解释模型来拟合整个深度学习模型,然后以单个可解释模型来对原模型进行解释。在另一种可选的实施方式中,先对目标模型进行局部解释,得到多个样本的局部解释结果,进而将多个样本的局部解释结果进行整合,例如利用平均、归一化后平均等方法进行整合,得到全局解释结果。
S102、根据全局解释结果,确定目标模型对单个训练样本的局部解释结果。
本公开实施例中,在通过S101得到全局解释结果后,将全局解释结果作为一种新的参与模型局部解释的变量,也即本公开方案通过引入全局解释结果来改进局部可解释算法。使得在确定目标模型对单个训练样本的局部解释结果时,实际上是利用改进的局部可解释算法,通过结合目标模型的全局解释结果,确定目标模型对单个训练样本的局部解释结果。如此相较于未考虑用于表征模型整体表现的全局解释结果的局部解释算法,可提高局部解释的准确性。
本公开实施例中,将全局解释结果引入到局部解释的计算中,使得确定模型的局部解释结果时还额外考虑了全局解释结果,由此提高了模型局部解释的准确性。
图2是根据本公开实施例的又一模型解释方法的流程示意图。本实施例中对得到全局解释结果的过程进行细化,具体的,参见图2,模型解释方法具体如下:
S201、获取包括多个训练样本的训练数据集,以及利用训练数据集训练好的目标函数。
本公开实施例中,针对预先确定的场景任务,选定训练数据集和模型结构,其中,训练数据集中包括多个预先构建的训练样本;进而利用训练数据集中的训练样本,对选定的模型结构进行训练,最终得到训练好的目标模型。如此,得到进行模型全局解释所需要的数据。本实施例中,要确定目标模型的全局解释结果,先对目标模型进行局部解释,得到多个样本的局部解释结果,进而将多个样本的局部解释结果进行整合,得到全局解释结果。具体的过程,参见步骤S202-S203。
S202、通过局部可解释算法,确定目标模型对训练数据集中每个训练样本的解释结果。
本实施例用的局部可解释算法示例性的为LIME(Local Interpretable Model-Agnostic Explanations)算法,LIME算法的主要思想是利用可解释性模型(如线性模型,决策树)局部近似目标模型的预测;LIME算法的数学表示为:argming∈GL(f,g,πx)+Ω(g),其中f为目标模型;g是可解释模型(如线性模型,决策树);G为可解释模型集合;Ω(g)为可解释模型的复杂度度量;x为训练样本;πx定义了x的邻域;L为损失函数,用于表征可解释模型g与目标模型f在样本x附近的不一致程度。如此,只需将样本x和目标函数f带入上述数学函数中,进而通过求解数学函数的最优解,即可得到目标模型f对样本x的解释结果ex。其中,解释结果ex为一维向量,长度与输出特征的个数一致,向量中每个元素的取值用于表示目标函数f在样本x下的某个特征变量的重要度;而重要度可用于衡量每个特征变量对目标模型输出结果的贡献程度。可选的,可用ex,j表示LIME计算的目标模型f在样本x下第j个特征的重要度。
S203、基于每个训练样本的解释结果,利用全局可解释算法确定目标模型的全局解释结果。
在得到每个训练样本的解释结果后,可利用全局可解释算法对其进行整合(例如求均值),得到目标模型的全局解释结果,为后续计算每个样本最终的局部解释结果提供保证。
在一种可选的实施方式中,全局可解释算法为标准化的LIME(Normalized LocalInterpretable Model-agnosticExplanations,NormLIME)算法,则基于每个训练样本的解释结果,利用全局可解释算法确定目标模型的全局解释结果,包括:
按照如下公式,确定目标模型的全局解释结果:
而在另一种可选的实施方式中,全局可解释算法为黑盒模型局部解释的全局聚合算法,则基于每个训练样本的解释结果,利用全局可解释算法确定目标模型的全局解释结果,包括:
按照如下公式,确定目标模型的全局解释结果:
在此需要说明的是,通过标准化的LIME算法或黑盒模型局部解释的全局聚合算法,均能得到准确性较好的全局解释结果,如此后续利用全局解释结果计算每个样本最终的局部解释结果时,可以保证计算结果的准确性。
S204、根据全局解释结果,确定目标模型对单个训练样本的局部解释结果。
本公开实施例中,在通过S201-S203的步骤得到全局解释结果后,将全局解释结果作为一种新的参与模型局部解释的变量,也即本公开方案通过引入全局解释结果来改进局部可解释算法。使得在确定目标模型对单个训练样本的局部解释结果时,实际上是利用改进的局部可解释算法,通过结合目标模型的全局解释结果确定目标模型对单个训练样本的局部解释结果。如此相较于未考虑表征模型整体表现的局部解释算法,提高了局部解释的准确性。
图3是根据本公开实施例的又一模型解释方法的流程示意图。参见图3,模型解释方法具体如下:
S301、对目标模型进行全局解释,得到全局解释结果。
可选的,对目标模型进行全局解释,得到全局解释结果,包括:获取包括多个训练样本的训练数据集,以及利用训练数据集训练好的目标函数;通过局部可解释算法,确定目标模型对训练数据集中每个训练样本的解释结果;基于每个训练样本的解释结果,利用全局可解释算法确定目标模型的全局解释结果。
在得到全局解释结果后,可按照S302-S304的步骤确定目标模型对单个训练样本最终的局部解释结果。
S302、对单个训练样本进行扰动处理,得到至少一个扰动样本。
本公开实施例中,训练样本可以是训练目标模型用的任一样本,也可以是实际场景中遇到的新样本,在此不做具体限定。针对任一训练样本,对该训练样本进行扰动处理,例如在训练样本中添加扰动信息或噪声,得到至少一个扰动样本。
S303、将扰动样本输入到目标模型中进行预测,得到预测结果。
在得到扰动样本后,将其作为目标模型的输入,根据目标模型的输出得到预测结果。
S304、根据扰动样本、预测结果和全局解释结果,确定目标模型对单个训练样本的局部解释结果。
本实施例中,为了根据全局解释结果,确定目标模型对单个训练样本最终的局部解释结果,设计了弹性网络ElasticNet的变种方程作为目标函数,进而通过确定目标函数的最优解,得到单个训练样本最终的局部解释结果。
在一种可选的实施方式中,根据扰动样本、预测结果和全局解释结果,确定目标模型对单个训练样本的局部解释结果,包括:
通过求解如下第一目标函数,确定目标模型对单个训练样本的局部解释结果:
其中,X为扰动样本,Y为预测结果、eg为全局解释结果;e为需要求解的局部解释结果;λ2为预设参数。
如此通过确定目标函数的最优解,即可得到单个训练样本最终的局部解释结果,其中最终的局部解释结果中包括每个特征变量的重要度,以及各特征变量按照重要度的排序结果。由于重要度可用于衡量每个特征变量对目标模型输出预测结果的贡献程度,因此可根据每个特征变量的重要度以及排序结果,可以简单明了的确定目标模型提取了哪些特征向量,以及主要依据哪些特征向量做出预测。
在另一种可选的实施方式,根据扰动样本、预测结果和全局解释结果,确定目标模型对单个训练样本的局部解释结果,包括:
通过求解如下第二目标函数,确定目标模型对单个训练样本的局部解释结果:
其中,X为扰动样本,Y为输出结果、eg为全局解释结果;e为需要求解的局部解释结果;λ1、λ2为预设参数。相比于第一目标函数,第二目标函数中加入了一个L1范数(即λ1||e||1),由此可加强局部解释结果的稀疏性。需要说明的是,在确定第二目标函数的最优解后,只能得到每个特征变量的重要度排序。
本公公开实施中,将目标模型的全局解释结果作为计算单个样本最终的局部解释结果所需要的重要变量,也即进行局部解释时参考了模型的整体表现信息,如此可保证计算的局部解释结果更准确。
进一步的,在得到至少一个扰动样本后,还可以对每个扰动样本进行加权,也即是为每个扰动样本赋予一个权重,该权重用于表征扰动样本和训练样本之间的相似程度,而相似程度可通过不同的核函数进行计算。如此,可通过将扰动样本对应的权重带入到第一目标函数或第二目标函数中进行运算,以此进一步提高单个训练样本的局部解释结果的准确性。
图4是根据本公开实施例的模型解释装置的结构示意图,本实施例可适用于在数据挖掘场景中,提高深度学习模型的可解释性的情况,典型的,提高金融、自动驾驶和医疗诊断等场景下的深度学习模型的可解释性。参见图4,该装置包括:
第一解释模块401,用于对目标模型进行全局解释,得到全局解释结果;
第二解释模块402,用于根据所述全局解释结果,确定所述目标模型对单个训练样本的局部解释结果。
在上述实施例的基础上,可选的,所述第二解释模块包括:
扰动处理单元,用于对所述单个训练样本进行扰动处理,得到至少一个扰动样本;
预测单元,用于将所述扰动样本输入到所述目标模型中进行预测,得到预测结果;
局部解释单元,用于根据所述扰动样本、所述预测结果和所述全局解释结果,确定所述目标模型对所述单个训练样本的局部解释结果。
在上述实施例的基础上,可选的,述解释单元还用于:
通过求解如下目标函数,确定所述目标模型对所述单个训练样本的局部解释结果:
其中,X为扰动样本,Y为预测结果、eg为全局解释结果;e为需要求解的局部解释结果;λ2为预设参数。
在上述实施例的基础上,可选的,所述解释单元还用于:
通过求解如下目标函数,确定所述目标模型对所述单个训练样本的局部解释结果:
其中,X为扰动样本,Y为输出结果、eg为全局解释结果;e为需要求解的局部解释结果;λ1、λ2为预设参数。
在上述实施例的基础上,可选的,所述第一解释模块包括:
数据获取单元,用于获取包括多个训练样本的训练数据集,以及利用所述训练数据集训练好的所述目标函数;
第一解释单元,用于通过局部可解释算法,确定所述目标模型对训练数据集中每个训练样本的解释结果;
第二解释单元,用于基于每个训练样本的解释结果,利用全局可解释算法确定所述目标模型的全局解释结果。
在上述实施例的基础上,可选的,所述第二解释单元还用于:
按照如下任一公式,确定所述目标模型的全局解释结果:
本公开实施例提供的模型解释装置可执行本公开任意实施例提供的模型解释方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如模型解释方法。例如,在一些实施例中,模型解释方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时,可以执行上文描述的模型解释方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型解释方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种模型解释方法,包括:
对目标模型进行全局解释,得到全局解释结果;
根据所述全局解释结果,确定所述目标模型对单个训练样本的局部解释结果。
2.根据权利要求1所述的方法,其中,所述根据所述全局解释结果,确定所述目标模型对单个训练样本的局部解释结果,包括:
对所述单个训练样本进行扰动处理,得到至少一个扰动样本;
将所述扰动样本输入到所述目标模型中进行预测,得到预测结果;
根据所述扰动样本、所述预测结果和所述全局解释结果,确定所述目标模型对所述单个训练样本的局部解释结果。
5.根据权利要求1所述的方法,其中,所述对目标模型进行全局解释,得到全局解释结果,包括:
获取包括多个训练样本的训练数据集,以及利用所述训练数据集训练好的所述目标函数;
通过局部可解释算法,确定所述目标模型对训练数据集中每个训练样本的解释结果;
基于每个训练样本的解释结果,利用全局可解释算法确定所述目标模型的全局解释结果。
7.一种模型解释装置,包括:
第一解释模块,用于对目标模型进行全局解释,得到全局解释结果;
第二解释模块,用于根据所述全局解释结果,确定所述目标模型对单个训练样本的局部解释结果。
8.根据权利要求7所述的装置,其中,所述第二解释模块包括:
扰动处理单元,用于对所述单个训练样本进行扰动处理,得到至少一个扰动样本;
预测单元,用于将所述扰动样本输入到所述目标模型中进行预测,得到预测结果;
局部解释单元,用于根据所述扰动样本、所述预测结果和所述全局解释结果,确定所述目标模型对所述单个训练样本的局部解释结果。
11.根据权利要求7所述的装置,其中,所述第一解释模块包括:
数据获取单元,用于获取包括多个训练样本的训练数据集,以及利用所述训练数据集训练好的所述目标函数;
第一解释单元,用于通过局部可解释算法,确定所述目标模型对训练数据集中每个训练样本的解释结果;
第二解释单元,用于基于每个训练样本的解释结果,利用全局可解释算法确定所述目标模型的全局解释结果。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的模型解释方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的模型解释方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的模型解释方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950764.1A CN115329933A (zh) | 2022-08-09 | 2022-08-09 | 一种模型解释方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950764.1A CN115329933A (zh) | 2022-08-09 | 2022-08-09 | 一种模型解释方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115329933A true CN115329933A (zh) | 2022-11-11 |
Family
ID=83921108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210950764.1A Pending CN115329933A (zh) | 2022-08-09 | 2022-08-09 | 一种模型解释方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115329933A (zh) |
-
2022
- 2022-08-09 CN CN202210950764.1A patent/CN115329933A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553864B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113326852A (zh) | 模型训练方法、装置、设备、存储介质及程序产品 | |
CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN114282670A (zh) | 神经网络模型的压缩方法、设备和存储介质 | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN115063875A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN113127365A (zh) | 确定网页质量的方法、装置、电子设备和计算机可读存储介质 | |
CN113361572A (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN113705362A (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN113222414B (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN115577310A (zh) | 异常对象的识别方法、装置、电子设备及存储介质 | |
CN115239889A (zh) | 3d重建网络的训练方法、3d重建方法、装置、设备和介质 | |
CN112541557B (zh) | 生成式对抗网络的训练方法、装置及电子设备 | |
CN115329933A (zh) | 一种模型解释方法、装置、电子设备和存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114399513A (zh) | 用于训练图像分割模型和图像分割的方法、装置 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN114548307A (zh) | 分类模型训练方法和装置、分类方法和装置 | |
CN114492370A (zh) | 网页识别方法、装置、电子设备和介质 | |
CN115840867A (zh) | 数学解题模型的生成方法、装置、电子设备和存储介质 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |