[1] DeepPINK: reproducible feature selection in deep neural networks
Yang Young Lu, Yingying Fan, Jinchi Lv, William Stafford Noble
University of Washington, University of Southern California
https://papers.nips.cc/paper/8085-deeppink-reproducible-feature-selection-in-deep-neural-networks.pdf
深度学习由于出色的实证表现,在有监督和无监督机器学习中越来越受欢迎。
但是,大多数深度学习方法由于内在的复杂性,在很大程度上被视为可解释性较差的黑箱工具。
尽管最近已经有学者尝试得到深度神经网络(DNN)的可解释性,但是现有方法容易受到噪声影响并且缺乏鲁棒性。因此,科学家们对发现的可重复性持谨慎态度,这通常与底层统计模型的可解释性有关。
这篇文章提出了一种通过结合具有受控错误率的特征选择的方法,用来增加DNN的可解释性和再现性。作者们设计了新的DNN架构并将其与最近提出的仿冒框架集成,以可控的错误率进行特征选择。这种新方法DeepPINK(使用配对输入非线性Knockoff的深度特征选择)在模拟和实际数据集上都取得了较好的效果。
DeepPINK图示如下