2024KDD-CAT: Interpretable Concept-based Taylor Additive Models

文章总结与翻译

一、主要内容

本文针对深度神经网络（DNNs）可解释性不足、传统模型参数冗余及依赖领域专家标注等问题，提出了一种新型可解释概念基泰勒加法模型（CAT）。该模型无需领域专家标注概念及其真实值，仅需用户通过元数据审查将输入特征分类为宽泛组群，即可实现基于高层概念的预测解释。

CAT主要包含两大核心组件：

1. 概念编码器：将每组输入特征嵌入为一维高层概念表示，实现低维特征到语义化概念的转化；
2. 白盒泰勒神经网络（TaylorNet）：通过多项式逼近输入与输出间的非线性关系，结合塔克分解（Tucker Decomposition）降低高阶多项式的计算复杂度，大幅提升模型可解释性与训练效率。

作者在6个基准数据集（4个表格数据、2个图像数据）上进行了大量实验，涵盖回归、二分类及多分类任务。结果表明，CAT在参数数量显著减少的情况下，性能优于或媲美现有可解释模型（如EBM、NAM、SPAM），且接近黑盒模型（MLP、XGBoost），同时能通过高层概念清晰解释预测结果。

二、创新点

1. 轻量化概念学习机制：无需领域专家标注概念真实值，仅通过特征分组获取高层概念，降低人工成本，适配真实场景；</