arXiv cs.AI· Atsushi Koike·· 11 小时前AI 评分18
BAM：面向可解释表格预测的二元加性模型
BAM: Bivariate Additive Models for Interpretable Tabular Prediction
AI 导读
研究者提出二元加性模型（BAM），将 GA²M 中每个成对形状函数约束为非对称二元高斯这一简单参数形式，使每个分量呈现为单峰等高线图，特征对在训练中自动选择。在六个表格基准上，BAM 的预测精度与标准 GAM 相当，并接近 GA²M 的水平。研究还展示了精度与需检查分量数量之间的权衡。
正文 · AI 翻译
摘要：带成对交互的广义可加模型（GA$^2$Ms）被视为玻璃盒模型，因为每个成对形状函数都可以可视化为等高线图。在实践中，EBM 或 NODE-GAM 等方法学习到的形状函数过于复杂（等高线不规则、局部波动剧烈），从业者无法有意义地解释它们，也无法对照领域知识进行检查。这种更强意义上的可审计性需要简单得多的形状函数。我们认为，如果捕获了正确的特征对，这种简化可以达到标准 GAM 的精度。我们提出了双变量可加模型（BAMs），这是一类 GA$^2$Ms，其中每个成对形状函数都被约束为简单的参数形式，实例化为非对称双变量高斯分布。每个分量都可以可视化为单峰等高线图，其特征对在训练过程中自动选择。在六个表格基准上的实验表明，BAM 的预测精度与标准 GAM 相当，并接近 GA$^2$Ms。我们还展示了精度与需要检查的分量数量之间的权衡。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.05940 [cs.LG] |
| （或 arXiv:2611.05940v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05940 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Atsushi Koike Dr. [查看电子邮件]
[v1]
2026年11月4日星期三 04:28:59 UTC（810 KB）
来源：arXiv cs.AI · arxiv.org