ترجمه فارسی مقاله چرا گروه‌ها مهم هستند: ضرورت ساختارهای گروهی در انتساب‌ها

چکیده

Explainable machine learning methods have been accompanied by substantial development. Despite their success, the existing approaches focus more on the general framework with no prior domain expertise. High-stakes financial sectors have extensive domain knowledge of the features. Hence, it is expected that explanations of models will be consistent with domain knowledge to ensure conceptual soundness. In this work, we study the group structures of features that are naturally formed in the financial dataset. Our study shows the importance of considering group structures that conform to the regulations. When group structures are present, direct applications of explainable machine learning methods, such as Shapley values and Integrated Gradients, may not provide consistent explanations; alternatively, group versions of the Shapley value can provide consistent explanations. We contain detailed examples to concentrate on the practical perspective of our framework.

چکیده به فارسی (ترجمه ماشینی)

روشهای یادگیری ماشین قابل توضیح با توسعه قابل توجهی همراه بوده است.علیرغم موفقیت آنها ، رویکردهای موجود بیشتر روی چارچوب عمومی و بدون تخصص دامنه قبلی تمرکز می کنند.بخش های مالی با سطح بالا دانش دامنه گسترده ای از این ویژگی ها دارند.از این رو ، انتظار می رود که توضیحات مربوط به مدل ها با دانش دامنه سازگار باشد تا از صدای مفهومی اطمینان حاصل شود.در این کار ، ما ساختارهای گروهی از ویژگی هایی را که به طور طبیعی در مجموعه داده های مالی شکل گرفته اند ، مطالعه می کنیم.مطالعه ما اهمیت در نظر گرفتن ساختارهای گروهی را که مطابق با مقررات است ، نشان می دهد.هنگامی که ساختارهای گروهی وجود دارد ، برنامه های مستقیم از روشهای یادگیری ماشین قابل توضیح ، مانند مقادیر Shapley و شیب های یکپارچه ، ممکن است توضیحات مداوم ارائه ندهند.از طرف دیگر ، نسخه های گروهی از مقدار Shapley می توانند توضیحات مداوم ارائه دهند.ما شامل نمونه های مفصلی برای تمرکز بر دیدگاه عملی چارچوب خود هستیم.