本文介紹了一種旨在「打開」并解釋神經(jīng)網(wǎng)絡(luò)的新模型 XNN（可解釋神經(jīng)網(wǎng)路）。該網(wǎng)絡(luò)包含三個重要組成部分：投影層、子網(wǎng)絡(luò)、組合層。XNN 還可用于替代復(fù)雜模型，無論將 XNN 用作主要模型還是用于更復(fù)雜模型的替代模型，XNN 都可以直接解釋模型如何使用輸入特征進行預(yù)測。
將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到特定系統(tǒng)的最大障礙之一是它的「黑箱」屬性。XNN（可解釋的神經(jīng)網(wǎng)絡(luò)）是一種旨在「打開并解釋」神經(jīng)網(wǎng)絡(luò)黑箱的新模型。
使用人工神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)算法訓(xùn)練機器像人腦一樣學(xué)習(xí)信息已經(jīng)越來越流行。這讓機器能夠準確地輸出給定任務(wù)的預(yù)測結(jié)果。
在給定任務(wù)下訓(xùn)練的 ANN 能進行貓和狗的分類
再舉一個例子，假定你想要訓(xùn)練一臺機器，使其能根據(jù)客戶憑證確定銀行的哪些客戶離開銀行的概率最高。
神經(jīng)網(wǎng)絡(luò)將在包含每個客戶憑證（例如信用評分）的大數(shù)據(jù)集上進行訓(xùn)練。它通過變量選擇識別數(shù)據(jù)中的哪些特征對客戶的去留影響最大。神經(jīng)網(wǎng)絡(luò)將學(xué)習(xí)這些特征，并通過學(xué)習(xí)特征，根據(jù)其憑證（特征）自行準確預(yù)測哪些客戶離開銀行的概率最高。（參見：https://www.linkedin.com/pulse/creating-deep-neural-net-accurately-predict-churn-rate-maheshwari/）
這些模型對大型數(shù)據(jù)集非常有效，因為在大型數(shù)據(jù)集中很難進行手動的變量選擇和特征工程。另外，與傳統(tǒng)統(tǒng)計方法相比，它們具有更好、更準確的預(yù)測性能。
黑箱
然而 ANN 的一個問題在于，它們是黑箱。這意味著數(shù)據(jù)分析師或建模人員很難解釋輸入特征與其響應(yīng)（輸出）之間的關(guān)系。神經(jīng)網(wǎng)絡(luò)越復(fù)雜意味著添加的神經(jīng)元和層數(shù)越多，這使解釋和確定 ANN 中的哪個函數(shù)導(dǎo)致輸出變得愈發(fā)困難。
應(yīng)用
理解黑箱并具備解釋模型行為的能力非常重要，這是因為機器學(xué)習(xí)模型和 ANN 的使用需要納入醫(yī)療保健和金融等領(lǐng)域。事實證明，機器學(xué)習(xí)模型有可能徹底改變這些行業(yè)，提高某些任務(wù)的效率。
瘋狂的是，研究人員實際上能創(chuàng)建一種機器學(xué)習(xí)算法來識別乳腺癌患者身體組織圖像中的乳腺癌模式，而且效果比人類病理學(xué)家還要好！機器學(xué)習(xí)模型能夠更快地識別乳腺癌模式，準確率達 89%，高于訓(xùn)練有素的人類病理學(xué)家的平均準確率 73％！這只是 ANN 和機器學(xué)習(xí)模型多種實現(xiàn)方式的一個示例，它們能提供比傳統(tǒng)人類方法更高效、準確的工具。
然而，盡管這些模型的準確率和效率已經(jīng)經(jīng)過驗證，但人們?nèi)栽讵q豫是否將它們納入醫(yī)療保健和銀行業(yè)等領(lǐng)域，因為這些模型具備黑箱屬性。解釋模型并解釋其行為的能力對于這些行業(yè)至關(guān)重要，因為它們涉及處理高風(fēng)險問題并且必須受到嚴格監(jiān)管。
可解釋神經(jīng)網(wǎng)絡(luò)
可解釋神經(jīng)網(wǎng)絡(luò)（XNN）是機器學(xué)習(xí)模型的一項新進展，旨在為模型提供可解釋的洞察力，消除其黑箱屬性。這意味著它能夠提供關(guān)于特征以及網(wǎng)絡(luò)完成輸出（預(yù)測）過程中所學(xué)得的非線性變換的直白解釋。通過該模型，研究者能清楚地解釋輸入特征與復(fù)雜神經(jīng)網(wǎng)絡(luò)輸出之間的關(guān)系，因為 XNN 網(wǎng)絡(luò)結(jié)構(gòu)包含解釋這種關(guān)系的機制，并能對可視化該網(wǎng)絡(luò)所學(xué)習(xí)的函數(shù)起到幫助作用。
XNN 基于加性索引模型的概念，如下所示：
f (x) = g1 β1T x+ g2 β2T x+ · · · + gK βKT x
左側(cè)的函數(shù)可以表示為 K 個平滑函數(shù) gi(·) 的和。這些平滑函數(shù)（即嶺函數(shù)）都用于在網(wǎng)絡(luò)中訓(xùn)練的輸入特征的線性組合（βiT x）。這使得加性索引模型能夠提供靈活的框架，通過嶺函數(shù)逼近網(wǎng)絡(luò)內(nèi)的任意復(fù)雜函數(shù)，從而提供關(guān)于特征和網(wǎng)絡(luò)學(xué)得的非線性變換的解釋。
可解釋神經(jīng)網(wǎng)絡(luò)架構(gòu)
可解釋神經(jīng)網(wǎng)絡(luò)提供加性索引模型的替代公式作為結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)。XNN 內(nèi)置了解釋機制，這有助于解釋和理解模型內(nèi)部過程以及該模型學(xué)到的函數(shù)。
替代公式如下：
f (x) = μ + γ1 h1 β1T x+ γ2 h2 β1T x+ · · · + γK hK βKT x
位移參數(shù) μ 和尺度參數(shù) γk 被用于模型擬合：通過正則化選擇適當數(shù)量的嶺函數(shù)。
XNN 結(jié)構(gòu)中三個重要的組成部分包括：
i) 投影層（第一個隱藏層）；
ii) 子網(wǎng)絡(luò)（下圖的中間部分）；
iii) 組合層（最后的隱藏層）。
XNN 結(jié)構(gòu)
投影層
輸入層包含將輸入神經(jīng)網(wǎng)絡(luò)的所有信息。輸入層全連接到投影層，在投影層上傳遞特征（信息）。投影層由 K 個節(jié)點組成（每個節(jié)點對應(yīng)一個嶺函數(shù)）。第一個隱藏層中的節(jié)點 i 的權(quán)重對應(yīng)相應(yīng)嶺函數(shù)輸入的系數(shù)（βi）。嶺函數(shù)有助于逼近輸入特征中的復(fù)雜函數(shù)。投影層使用線性激活函數(shù)，以確保該層中的每個節(jié)點都學(xué)習(xí)輸入特征的線性組合。應(yīng)用了嶺函數(shù)的投影層中每個節(jié)點的輸出恰好可以用作一個子網(wǎng)絡(luò)的輸入。
子網(wǎng)絡(luò)
子網(wǎng)絡(luò)主要用于學(xué)習(xí)應(yīng)用于輸入特征的嶺函數(shù)。嶺函數(shù)對于子網(wǎng)絡(luò)而言非常重要，因為它們逼近投影層的復(fù)雜函數(shù)。這使得子網(wǎng)絡(luò)更容易學(xué)習(xí)并提供所習(xí)得的嶺函數(shù)的可解釋性，從而使數(shù)據(jù)分析師有能力理解子網(wǎng)絡(luò)的運作、理解從輸入到輸出的過程。子網(wǎng)絡(luò)只需要有足夠的結(jié)構(gòu)，使每一個子網(wǎng)絡(luò)都能學(xué)習(xí)大量單變量函數(shù)。在模擬中，研究者發(fā)現(xiàn)，使用由具有非線性激活函數(shù)的兩個隱藏層組成的子網(wǎng)絡(luò)，足以在擬合模型時學(xué)習(xí)足夠靈活的嶺函數(shù)。
組合層
組合層是 XNN 的最后一個隱藏層，由單個節(jié)點組成。節(jié)點的輸入包括嶺函數(shù)的所有輸出以及在子網(wǎng)絡(luò)中學(xué)習(xí)和添加的權(quán)重。在該層上使用線性激活函數(shù)，因此整個網(wǎng)絡(luò)的輸出是所有嶺函數(shù)的加權(quán)和的線性組合。
XNN 組件可視化
內(nèi)置于 xNN 中的結(jié)構(gòu)（如投影層和子網(wǎng)絡(luò)）提供了一種機制來解釋這種網(wǎng)絡(luò)所學(xué)習(xí)的函數(shù)。該內(nèi)置機制用投影和單變量嶺函數(shù)這些相對簡單的術(shù)語描述模型學(xué)得的復(fù)雜函數(shù)，以確保模型可解釋。
下圖展示了研究者如何解釋和可視化子網(wǎng)絡(luò)中的單變量變換和嶺函數(shù)。
嶺函數(shù)（左）和訓(xùn)練的 XNN 的對應(yīng)投影索引（右）。
第一列解釋了單變量函數(shù)，其中包含由子網(wǎng)絡(luò)學(xué)習(xí)到達其輸出的權(quán)重。第二列顯示 βi 的值，即投影系數(shù)。投影系數(shù)說明輸入特征的哪個組合在通過子網(wǎng)絡(luò)之前用作了每個嶺函數(shù)的輸入。這非常有用，因為上圖展示了網(wǎng)絡(luò)最相關(guān)的特征：縮放嶺函數(shù)和投影系數(shù)。
在上面的例子中，從 xNN 的結(jié)構(gòu)我們可以看出 Subnetwork 1 已經(jīng)學(xué)習(xí)了立方勒讓德函數(shù) (f3(·))，Subnetwork 2 已經(jīng)學(xué)習(xí)了二次函數(shù) (f2(·))，并且只有 x2 的系數(shù)非零。
XNN 作為替代模型
XNN 還可以用作機器學(xué)習(xí)模型的替代模型，例如隨機森林（RF）和前饋神經(jīng)網(wǎng)絡(luò)（FNN）。
有點像這樣……但不完全如此。
在這種情況下，RF 和 FNN 被認為是基礎(chǔ)模型。由于 XNN 被設(shè)計為一個可解釋模型，因此我們可以使用輸入特征和基礎(chǔ)模型預(yù)測的相應(yīng)輸出值來訓(xùn)練 XNN。然后，XNN 就可以解釋基礎(chǔ)模型所學(xué)到的關(guān)系！
使用更容易解釋的替代模型來幫助解釋復(fù)雜的機器學(xué)習(xí)模型，極大地增加了將機器學(xué)習(xí)模型融入不同行業(yè)的能力。
可解釋神經(jīng)網(wǎng)絡(luò)（XNN）是一個關(guān)鍵的機器學(xué)習(xí)模型。與其他機器學(xué)習(xí)模型不同，它能「打開」神經(jīng)網(wǎng)絡(luò)的黑箱。該模型的結(jié)構(gòu)和設(shè)計方式使其可以解釋學(xué)習(xí)的特征以及導(dǎo)致其輸出或預(yù)測值的函數(shù)。這些可解釋性特征非常吸引人，它本質(zhì)上是有可加性的，并且能通過納入神經(jīng)網(wǎng)絡(luò)的機制（如子網(wǎng)絡(luò)）直接得到解釋。
無論將 XNN 用作主要模型還是用于更復(fù)雜模型的替代模型，XNN 都可以直接解釋模型如何使用輸入特征進行預(yù)測。這項技術(shù)為將機器學(xué)習(xí)模型整合入眾多不同行業(yè)提供了巨大的優(yōu)勢，因為它能夠超越現(xiàn)有系統(tǒng)，并且能夠清晰解釋它如何獲得輸出。