可解释性论文阅读笔记1-Tree Regularization

作者： HardenHuang

学校： 清华大学

研究方向： 自然语言处理

知乎专栏： 模型可解释性论文专栏

AAAI2018的一篇关于深度学习模型可解释性的文章，文章的主要亮点是引入tree regularization在训练深度学习网络的同时给出一个具有可解释性能力的决策树

Beyond Sparsity: Tree Regularization of Deep Models for Interpretability arxiv.org

link: https://arxiv.org/pdf/1711.06178.pdf

1. 模型可解释性的重要性

(1)深度模型的进一步应用需要模型可解释性，例如金融、医疗等领域

(2)仿生性模型更容易被人理解和应用，例如决策树模型

2. Model Interpretion Introduction

做模型可解释性有两套思路：一是为已经训练好的模型寻找可解释性；二是训练出更具有解释性的模型

(1)为已经训练好的模型寻找可解释性: 寻找神经网络模型的决策树表示 ^[1] ，对输入和输入的梯度进行敏感性分析 ^[2] ，寻找模型的编程化表示 ^[3] ，寻找模型的规则集合表示 ^[4]

(2) 训练出更具解释性的模型：惩罚更不相关的特征获得稀疏特征 ^[5] ，从文本输入中找到高亮部分 ^[6]

3. Related work

利用了各类正则化：L1正则化方法 ^[7] ，binary network ^[8] ，Edge and node regularization ^[9]

4. 方法的具体描述

key idea ：训练深度学习模型同时，获取准确率高与复杂度小的决策树，决策树的复杂度作为正则项；

决策树的复杂度 ：利用APL (average path length)，训练集中样例做出决策平均经过的节点数，APL即为Tree Regularization。

问题 ：L1正则化 L2正则化等正则化项可以由一个函数 计算出来， 为深度模型 的权重，Tree Regularization却不能简单的由 表示

解决方法 ：引入一个替代网络 (多层感知机)去近似表示决策树 ， 的输入为 训练过程中的权重 ， 输出APL的预测值  ， 为模型的参数，标签为的APL输出 ,  与 的权重产生关联，因此可以用梯度下降方法进行优化

具体训练过程 ：

step1：训练深度学习模型，输入特征 及真实标签 ,输出标签预测值 ,损失函数如下，其中 来自于的输出

step2: 训练决策树模型，输入为特征 和标签预测值 ,输出为 ，训练过程与一般的决策树分裂过程相同

step3:训练替代网络， 输入为各步训练过程中得到的权重，输出为APL的预测值  ，标签来自于决策树模型的，损失函数如下，

如此重复训练，可以同时得到深度学习模型与具有可解释性的模型 ，如下是一个决策树的示例

5. 实验及结果

语音识别任务

脓毒症重症监护（Sepsis Critical Care）

艾滋病治疗结果（HIV Therapy Outcome）

6. 代码解读

tree-regularization-public github.com

link: https://github.com/dtak/tree-regularization-public

训练过程：可以看到是 的依次训练过程

def train(self, X_train, F_train, y_train, iters_retrain=25, num_iters=1000,
              batch_size=32, lr=1e-3, param_scale=0.01, log_every=10):
        npr.seed(42)
        num_retrains = num_iters // iters_retrain
        for i in xrange(num_retrains):
            self.gru.objective = self.objective
            # carry over weights from last training
            init_weights = self.gru.weights if i > 0 else None
            print('training deep net... [%d/%d], learning rate: %.4f' % (i + 1, num_retrains, lr))
            self.gru.train(X_train, F_train, y_train, num_iters=iters_retrain,
                           batch_size=batch_size, lr=lr, param_scale=param_scale,
                           log_every=log_every, init_weights=init_weights)
            print('building surrogate dataset...')
            W_train = deepcopy(self.gru.saved_weights.T)
            APL_train = self.average_path_length_batch(W_train, X_train, F_train, y_train)
            print('training surrogate net... [%d/%d]' % (i + 1, num_retrains))
            self.mlp.train(W_train[:self.gru.num_weights, :], APL_train, num_iters=3000,
                           lr=1e-3, param_scale=0.1, log_every=250)

        self.pred_fun = self.gru.pred_fun
        self.weights = self.gru.weights
        # save final decision tree
        self.tree = self.gru.fit_tree(self.weights, X_train, F_train, y_train)

        return self.weights

参考

1. ^train decision trees for pretrained neural network (Craven and Shavlik (1996))

2. ^Adler, P.; Falk, C.; Friedler, S. A.; Rybeck, G.; Scheidegger, C.; Smith, B.; and Venkatasubramanian, S. 2016. Auditing black-box models for indirect influence. In ICDM

3. ^Ribeiro, M. T.; Singh, S.; and Guestrin, C. 2016. Why should I trust you?: Explaining the predictions of any classifier. In KDD

4. ^Lakkaraju, H.; Bach, S. H.; and Leskovec, J. 2016. Interpretable decision sets: A joint framework for description and prediction. In KDD.

5. ^Ross, A.; Hughes, M. C.; and Doshi-Velez, F. 2017. Right for the right reasons: Training differentiable models by constraining their explanations. In IJCAI

6. ^Ross, A.; Hughes, M. C.; and Doshi-Velez, F. 2017. Right for the right reasons: Training differentiable models by constraining their explanations. In IJCAI

7. ^Zhang, Y.; Lee, J. D.; and Jordan, M. I. 2016. l1-regularized neural networks are improperly learnable in polynomial time. In ICML

8. ^Tang, W.; Hua, G.; and Wang, L. 2017. How to train a compact binary neural network with high accuracy? In AAAI.

9. ^Ochiai, T.; Matsuda, S.; Watanabe, H.; and Katagiri, S. 2017. Automatic node selection for deep neural networks using group lasso regularization. In ICASSP

本文由作者授权AINLP原创发布于公众号平台，点击’阅读原文’直达原文链接，欢迎投稿，AI、NLP均可。

原文链接：

https://zhuanlan.zhihu.com/p/99384386

推荐阅读

AINLP年度阅读收藏清单

关系提取简述

知识图谱存储与查询：自然语言记忆模块（NLM）

AINLP-DBC GPU 使用体验指南

BERT论文笔记

XLNet 论文笔记

征稿启示| 让更多的NLPer看到你的文章

AINLP-DBC GPU 云服务器租用平台建立，价格足够便宜

我们建了一个免费的知识星球：AINLP芝麻街，欢迎来玩，期待一个高质量的NLP问答社区

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLP君微信(id：AINLP2)，备注工作/研究方向+加群目的。