ترجمه فارسی مقاله شبکه های عصبی نمودار قابل تفسیر برای داده های جدولی ناهمگن

چکیده

Many machine learning algorithms for tabular data produce black-box models, which prevent users from understanding the rationale behind the model predictions. In their unconstrained form, graph neural networks fall into this category, and they have further limited abilities to handle heterogeneous data. To overcome these limitations, an approach is proposed, called IGNH (Interpretable Graph Neural Network for Heterogeneous tabular data), which handles both categorical and numerical features, while constraining the learning process to generate exact feature attributions together with the predictions. A large-scale empirical investigation is presented, showing that the feature attributions provided by IGNH align with Shapley values that are computed post hoc. Furthermore, the results show that IGNH outperforms two powerful machine learning algorithms for tabular data, Random Forests and TabNet, while reaching a similar level of performance as XGBoost.

چکیده به فارسی (ترجمه ماشینی)

بسیاری از الگوریتم های یادگیری ماشین برای داده های جدولی ، مدل های جعبه سیاه را تولید می کنند ، که مانع از درک کاربران از دلیل پیش بینی های مدل می شود.در شکل نامشخص خود ، شبکه های عصبی نمودار در این گروه قرار می گیرند و توانایی های محدود دیگری برای مدیریت داده های ناهمگن دارند.برای غلبه بر این محدودیت ها ، رویکردی به نام IGNH (شبکه عصبی قابل تفسیر برای داده های جدولی ناهمگن) ارائه شده است ، که دارای ویژگی های طبقه بندی و عددی است ، در حالی که فرایند یادگیری را محدود می کند تا ویژگی های دقیق ویژگی را به همراه پیش بینی ها ایجاد کند.یک تحقیق تجربی در مقیاس بزرگ ارائه شده است ، نشان می دهد که ویژگی های ویژگی ارائه شده توسط IGNH Align با مقادیر Shapley که پس از تعقیب محاسبه می شوند.علاوه بر این ، نتایج نشان می دهد که IGNH از دو الگوریتم یادگیری ماشین قدرتمند برای داده های جدولی ، جنگل های تصادفی و TABNET بهتر عمل می کند ، در حالی که به سطح مشابهی از عملکرد XGBoost می رسد.