ترجمه فارسی مقاله درخشش‌ها: پر کردن شکاف بین توضیحات محلی و جهانی

چکیده

The explainability of machine learning algorithms is crucial, and numerous methods have emerged recently. Local, post-hoc methods assign an attribution score to each feature, indicating its importance for the prediction. However, these methods require recalculating explanations for each example. On the other side, while there exist global approaches they often produce explanations that are either overly simplistic and unreliable or excessively complex. To bridge this gap, we propose GLEAMS, a novel method that partitions the input space and learns an interpretable model within each sub-region, thereby providing both faithful local and global surrogates. We demonstrate GLEAMS’ effectiveness on both synthetic and real-world data, highlighting its desirable properties and human-understandable insights.

چکیده به فارسی (ترجمه ماشینی)

توضیح الگوریتم های یادگیری ماشین بسیار مهم است و اخیراً روشهای بی شماری پدید آمده است.روشهای محلی ، تعقیم تعقیب و گریز نمره انتساب را به هر ویژگی اختصاص می دهد و نشانگر اهمیت آن برای پیش بینی است.با این حال ، این روش ها برای هر مثال نیاز به توضیحات مجدد دارند.از طرف دیگر ، در حالی که رویکردهای جهانی وجود دارد ، آنها اغلب توضیحی ارائه می دهند که بیش از حد ساده گرایانه و غیرقابل اعتماد یا بیش از حد پیچیده هستند.برای عبور از این شکاف ، ما Gleams را پیشنهاد می کنیم ، یک روش جدید که فضای ورودی را تقسیم می کند و یک مدل قابل تفسیر را در هر منطقه فرعی می آموزد و از این طریق هم جانشین های محلی و جهانی وفادار را ارائه می دهد.ما اثربخشی Gleams را در هر دو داده های مصنوعی و واقعی در دنیای واقعی نشان می دهیم ، و ویژگی های مطلوب آن و بینش های قابل درک انسان را برجسته می کنیم.