相關(guān)博客
【自然語言處理】【可解釋性】NKB：用于預訓練Transformers的神經(jīng)知識銀行
【自然語言處理】【可解釋性】自注意力歸因：解釋Transformer內(nèi)部的信息交互
【深度學習】【積分梯度】深度網(wǎng)絡(luò)的公理歸因(Axiomatic Attribution for Deep Networks)
【自然語言處理】【可解釋性】Perturbed Masking:分析和解釋BERT的無參數(shù)探針
【機器學習】【可解釋性】LIME
【自然語言處理】【聚類】TELL：可解釋神經(jīng)聚類
【自然語言處理】【Prompt】語言模型即知識庫(Language Models as Knowledge Bases)
【自然語言處理】【Prompt】P-tuning

一、簡介

機器學習已經(jīng)被廣泛使用，但仍然是黑盒模型。但是，如果人類無法相信某個模型，那么很難在產(chǎn)品中部署這個模型。這里區(qū)分兩個概念：

• $\text{trusting?a?prediction}$：用戶是否充分信任一個預測，并基于該預測采取行動；
• $\text{trusting?a?model}$：用戶是否相信模型在部署后能夠以合理的方式運行；

$\text{trusting?a?prediction}$非常重要，例如在使用機器學習進行醫(yī)療診斷或者恐怖蛀牙檢測，預測不能只給出結(jié)果，還必須給出原因。$\text{trusting?a?model}$同樣非常重要，值得信賴的模型才更可能被部署。

接下來的部分主要包括：

• 一種稱為$\text{LIME}$的解釋方法，其能夠為任何的單個預測提供faithful的解釋，從而解決$\text{trusting?a?prediction}$；
• 一種稱為$\text{SP-LIME}$的解釋方法，通過挑選具有代表性的實例進行解釋，從而解決$\text{trusting?a?model}$的問題；

論文作者提出了一種稱為$\text{LIME}$的模型不可知解釋方法，其能夠以faithful的方式來解釋任意的預測

二、為什么需要解釋

解釋模型的預測是獲取人類信任和應用機器學習都十分重要。

”解釋單個預測“的過程如圖1所示。

顯然，如果能夠為醫(yī)生提供人類可理解的模型解釋，那么醫(yī)生就能依賴先驗知識決定接受或者拒絕預測。

此外，先前評估機器學習模型的方法，是通過評估模型在測試集上的指標來確定的。但是，這種方式并不能完全測試出模型在真實世界中的表現(xiàn)。因此，通過解釋一些具有代表性樣本的模型預測，能夠提供一種對模型的全局理解。特別是，數(shù)據(jù)泄露(data leakage)的錯誤很難被已有的方法評估，但是通過對模型的預測提供解釋可以很方便的發(fā)現(xiàn)這樣的錯誤。

三、解釋方法該具有的性質(zhì)

1. 易于理解性

解釋方法提供的解釋必須是易于理解，而易于理解是與受眾相關(guān)的。

此外，模型的易于理解性也是一個相對的概念。舉例來說，通常線性模型被認為具有良好的可解釋性，但是在一些情況下也會難以理解。例如，若成百上千個特征均對線性模型預測有貢獻，并且這些特征對應的權(quán)重也完全已知，人類仍然很難理解這樣的模型。

2. 局部保真度

解釋方法必須具有局部保真度(local fidelity)。除非一個解釋是對模型本身的完整描述，否則不可能是完全faithful的解釋。顯然，在深度學習模型中，根本不可能給出一個完全faithful的解釋。但是，一個解釋必須具有局部保真度，即一個解釋能夠展示出模型在被解釋實例附近的行為。

此外，局部保真度并不意味著全局保真度，即特征是局部重要但并不全局重要。

3. 模型不可知

雖然有有些模型本身是可解釋的，但是理想的解釋方法應該能解釋任何模型，因此需要解釋方法是模型不可知。

4. 解釋整個模型

除了能夠解釋單個預測外，能夠為模型提供一個全局視角的解釋也很重要。

四、LIME

$\text{LIME(Local?Interpretable?Model-agnostic?Explanations)}$是一種為分類器提供局部保真的可解釋方法。

1. 數(shù)據(jù)表示形式

正如前面提及的，解釋是需要易于理解的。

因此，對于文本來說，其解釋可以表示為一個二進制向量，其中0表示單詞的缺失，1表示單詞存在。直觀上來看，就是從文本中抽取一些片段來解釋單個預測。對于圖像分類器，也可以使用一個二進制向量來表示相鄰圖像塊的存在還是缺失。

令$x\in {\mathbb{R}}^d$為被解釋實體的原始表示，使用$x^{\prime }\in \{0,1{\}}^{d^{\prime }}$表示用于解釋的二進制向量。

2. LIME提出的框架

LIME其實提出了一種解釋框架，該框架對保真度和可解釋性進行了權(quán)衡。

2.1 原理概述

LIME希望通過一個可解釋的簡單模型$g$來模擬復雜模型$f$的局部行為，從而為單個樣本提供解釋。

2.2 基本框架

可解釋模型$g$

模型$g\in G$是一個本身可以解釋的模型，例如決策樹、線性模型等。其中$G$表示一類可解釋模型。

模型復雜度$\Omega (g)$

雖然$g$為可解釋模型，但是如果復雜度過高則仍然難以解釋，因此定義$\Omega (g)$來衡量解釋模型$g\in G$的復雜度。例如，若$g$為決策樹，則$\Omega (g)$可以為樹的深度；若$g$為線性模型，則$\Omega (g)$可以是非零權(quán)重的數(shù)量。

被解釋模型$f$

被解釋的模型表示為$f:{\mathbb{R}}^d\to \mathbb{R}$，例如在分類任務(wù)中，$f(x)$是樣本$x$屬性某個類別的概率。

樣本領(lǐng)域${\pi }_x$

令${\pi }_x(z)$表示樣本$x$和$z$的接近程度，${\pi }_x$表示樣本$x$的領(lǐng)域。

模型近似度$\mathcal{L}(f,g,{\pi }_x)$

令$\mathcal{L}(f,g,{\pi }_x)$表示在領(lǐng)域${\pi }_x$內(nèi)模型$g$近似$f$的unfaithful程度。即$\mathcal{L}(f,g,{\pi }_x)$越小，$g$對$f$的近似越好。

最終框架

為了確保易于解釋和局部保真度，必須要最小化$\mathcal{L}(f,g,{\pi }_x)$的同時也保證$\Omega (g)$足夠低，便于人類理解。因此，最終的框架為
$$\xi (x)={\mathrm{argmin}}_{g\in G}\mathcal{L}(f,g,{\pi }_x)+\Omega (g)$$
其中，上面的框架可以適應于任何類型的$G$、$\mathcal{L}$和$\Omega$，$\xi (x)$為樣本$x$的解釋。

2.3 如果計算$\mathcal{L}(f,g,{\pi }_x)$

由于希望使用$g$來近似$f$的局部行為，那么就需要通過數(shù)據(jù)來模擬$f$的局部行為，并使用$g$進行學習。具體來說，

• 給定一個待解釋樣本$x\in {\mathbb{R}}^n$，二進制向量$x^{\prime }\in \{0,1{\}}^{d^{\prime }}$則是$x$的易于解釋性表示；
• 通過對$x^{\prime }$進制擾動生成$z^{\prime }\in \{0,1{\}}^{d^{\prime }}$，其包含了$x^{\prime }$中的一部分非零值；
• 基于$z^{\prime }$和$x$，生成$z^{\prime }$的原始表示$z$；
• 使用原始模型進行預測$f(z)$；
• 衡量樣本$x$和$z$的接近程度${\pi }_x(z)$；
• 生成一個領(lǐng)域樣本$(z^{\prime },f(z),{\pi }_x(z))$；

按照上面的方法生成一個新的數(shù)據(jù)集，其代表$f$在樣本$x$領(lǐng)域的行為。然后，使用新的數(shù)據(jù)集訓練模型$g$，那么就認為$g$學習到了$f$的局部行為。$g$的解釋也就是$f$的解釋。

3. LIME框架的具體例子----稀疏線性解釋器

3.1 $\mathcal{L}(f,g,{\pi }_x)$的具體選擇

令$G$表示一類線性模型，則$g(z^{\prime })=w_g?z^{\prime }$。

定義具體的$\mathcal{L}(f,g,{\pi }_x)$
$$\mathcal{L}(f,g,{\pi }_x)=\sum _{z,z^{\prime }\in \mathcal{Z}}{\pi }_x(z)(f(z)?g(z^{\prime }){)}^2$$
其中，樣本接近程度評估函數(shù)為${\pi }_x(z)=exp(?D(x,z{)}^2/{\sigma }^2)$，$D$是距離衡量函數(shù)，$\sigma$是標準化系數(shù)。值得注意的是，$g(z^{\prime })$是在二進制向量上訓練的，$f(z)$則相反。

3.2 $\Omega (g)$的具體選擇

對于文本分類任務(wù)，可以使用詞袋的方法來確定解釋的易于理解性。通過對詞袋中單詞數(shù)設(shè)定一個界限$K$來控制解釋的復雜度，例如$\Omega (g)=\infty 1[\Vert w_g{\Vert }_0>K]$。其中，$K$可以設(shè)置為用戶能夠理解的最大值。

對于圖像分類，可以使用相同的$\Omega$，只不過使用"super-pixels"來替代單詞即可。

由于直接優(yōu)化目標函數(shù)中的$\Omega$十分困難，因此$g$可以選擇具有$K$個特征的Lasso模型。

3.3 完整的算法

輸入：分類器$f$和采樣數(shù)量$N$；

輸入：實例$x$和其可解釋版本$x^{\prime }$；

輸入：相似度核${\pi }_x$，解釋的長度$K$；

? $\mathcal{Z}\leftarrow \{\}$

? for $i\in 1,2,...,N$ do

? $z_i^{\prime }\leftarrow sample\_aroud(x^{\prime })$

? $\mathcal{Z}\leftarrow \mathcal{Z}\cup ?z_i^{\prime },f(z_i),{\pi }_x(z_i)?$

? end for

? 使用$z_i^{\prime }$作為特征，$f(z)$作為標簽，訓練模型$\text{K-Lasso}(\mathcal{Z},K)$；

? 獲取權(quán)重$w\leftarrow \text{K-Lasso}(\mathcal{Z},L)$

? return w

上面的算法會為單個實例生成一個解釋，其計算復雜度主要依賴于$f(x)$的時間和采樣數(shù)量$N$。

4. 缺陷

• 二進制向量的方式可能無法提供有效的解釋。例如，在一個預測圖像是否為“復古”風格的模型中，無法通過像素的存在或者缺失來提供人類易于理解的解釋。
• 若$G$選擇未稀疏線性模型，那么也就意味著$f$的局部是線性的。如果$f$的局部是高度非線性的，那么LIME也無法提供一個faithful的解釋。

五、應用LIME的案例

1. 文本分類

存在一個文本分類模型，其被用于將文本分類為A和B兩種標簽。若模型準確了能夠達到95%以上，那么通常人類會選擇該模型并部署。但是，如果所有A類別的文本均包含單詞"Posting"，而B類別文本幾乎不包含。那么模型將會依據(jù)單詞"Posting"進行判斷。顯著，這樣的模型是有問題的，需要修改訓練數(shù)據(jù)。

2. 圖像分類

上圖(a)是輸入至圖像分類模型進行分類的原始圖像。(b)、?、(d)分別是模型將原始圖像預測為“電吉他”、“木吉他”和"拉布拉多"的原因。特別是，(b)提供了模型為什么將木吉他判斷為電吉他的原因----指板。

總結(jié)

以上是生活随笔為你收集整理的【机器学习】【可解释性】LIME的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。