使用基于 TensorFlow Lattice 的模型实现灵活、可控且可解释的机器学习

import numpy as np
import tensorflow as tf
import tensorflow_lattice as tfl

model = tf.keras.models.Sequential()
model.add(
    tfl.layers.ParallelCombination([
        # Monotonic piece-wise linear calibration with bounded output
        tfl.layers.PWLCalibration(
            monotonicity='increasing',
            input_keypoints=np.linspace(1., 5., num=20),
            output_min=0.0,
            output_max=1.0),
        # Diminishing returns
        tfl.layers.PWLCalibration(
            monotonicity='increasing',
            convexity='concave',
            input_keypoints=np.linspace(0., 200., num=20),
            output_min=0.0,
            output_max=2.0),
        # Partially monotonic categorical calibration: calib(0) <= calib(1)
        tfl.layers.CategoricalCalibration(
            num_buckets=4,
            output_min=0.0,
            output_max=1.0,
            monotonicities=[(0, 1)]),
    ]))
model.add(
    tfl.layers.Lattice(
        lattice_sizes=[2, 3, 2],
        monotonicities=['increasing', 'increasing', 'increasing'],
        # Trust: model is more responsive to input 0 if input 1 increases
        edgeworth_trusts=(0, 1, 'positive')))
model.compile(...)

TensorFlow Lattice 是一个实现基于可解释格的受限模型的库。借助该库,您可以通过常识或政策驱动型形状限制将领域知识注入学习过程中。这是使用一系列 Keras 层实现的,可以满足单调性、凸度和特征相互作用方式等限制条件。该库还提供易于设置的预创建模型预设 Estimator

借助 TF Lattice,您可以利用领域知识更好地推断训练数据集未涵盖的输入空间部分。这有助于避免在服务分布与训练分布不同时出现意外模型行为。