用于可解释序列和时序数据建模的系统和方法

摘要

用于可解释序列和时序数据建模的系统和方法。公开了一种新颖的可解释且可操纵的深度序列建模技术。该技术组合了原型学习和RNN，以实现可解释性和高准确性两者。关于不同的真实世界序列预测/分类任务的实验和案例研究证明：该模型不仅与其他最先进的机器学习技术一样准确，而且还更可解释得多。此外，在Amazon Mechanical Turk上的大规模用户研究证明：对于熟悉的领域、像对文本的情绪分析，该模型能够选择与人类知识良好匹配的高质量原型，以用于预测和解释。此外，该模型通过并入来自用户研究的反馈来更新原型，从而在没有性能损失的情况下获得更好的可解释性，这证明了涉及人机回圈以用于可解释的机器学习的益处。