使用局部代理模型解释全球年度数据中的时间变化

基本信息

• 标题：Using a Local Surrogate Model to Interpret Temporal Shifts in Global Annual Data（使用局部代理模型解释全球年度数据中的时间变化）
• 作者：Shou Nakano、Yang Liu
• 提交日期：2024 年 4 月 18 日
• arXiv 编号：arXiv:2404.11874 [cs.LG]
• 主题分类：机器学习（cs.LG）；人工智能（cs.AI）
• 备注：共 9 页，含 5 幅图
• DOI：https://doi.org/10.48550/arXiv.2404.11874
• 许可协议：CC BY-SA 4.0

摘要

本文聚焦于解释源自全球范围的年度时间数据随时间发生的变化，核心目标是识别导致这些时间变化的关键因素。此类分析框架可产生变革性影响，包括为公共政策的完善提供依据，以及识别影响一国经济发展的关键驱动因素。

研究中采用局部可解释模型无关解释（Local Interpretable Model-agnostic Explanations, LIME），对多个时间段内的国家幸福指数、经济自由度和人口指标进行分析。针对数据中存在的缺失值问题，作者采用三种插补方法，以生成适用于 LIME 输入要求的稳健多变量时间序列数据集。

研究方法的有效性通过一系列涉及多个数据集的实证评估得到验证，这些评估包括：

• 与随机特征选择的对比分析；
• LIME 所揭示的解释结果与现实世界事件的相关性分析；
• 通过个体条件期望（Individual Conditional Expectation, ICE）图进行验证——这是一种能够有效检测特征重要性的先进技术。