深度神经决策树：深度神经网络和树模型结合的新模型

深度神经决策树：深度神经网络和树模型结合的新模

型

?近日，来自爱丁堡大学的研究人员提出了一种结合深度神经网络和树模型的新型模型——深度神经决策树(Deep Neural Decision Trees, DNDT)。

?

?这种模型不仅具有了基于树模型的可解释性的优点，同时还可以利用神经网络中的梯度下降法来进行训练，并可方便地利用现有的神经网络框架实现，将使得神经网络的过程得以用树的方式得到有效的解释。论文的作者均来自

于爱丁堡大学信息学院感知、运动和行为研究所ipab。

?

?对于感知模型来说可解释性是十分重要的，特别是在一些涉及伦理、法律、医学和金融等场景下尤其如此，同样在关键领域的控制中，我们希望能够回

溯所有的步骤来保证模型因果逻辑和结果的正确性。深度神经网络在计算机

视觉、语音识别和语言模型等很多领域取得了成功，但作为缺乏可解释性的

黑箱模型，限制了它在模型必须求证因果领域的应用，在这些领域中我们需

要明确决策是如何产生的以便评测验证整个决策过程。除此之外，在类似于

商业智能等领域，知晓每一个因素是如何影响最终决策比决策本身有时候更

为重要。与此不同的是，基于决策树模型（包括C4.5和CART等）拥有清晰的可解释性，可以追随树的结构回溯出决策产生的因由。

?

?

?爱丁堡大学的研究人员们基于树和神经网络的结构提出了一种新型的模型