The Standard Interpretable Model: A general theory of interpretable machine learning to deductively design interpretable methods using Lagrangian mechanics
Pietro Barbiero, Giovanni De Felice, Mateo Espinosa Zarlenga, Francesco Giannini, Filippo Bonchi, Mateja Jamnik, Giuseppe Marra, Ruggero Noris
라그랑주 역학에 기반한 일반 이론으로 해석 가능한 머신러닝 방법을 연역적으로 설계하는 프레임워크를 제시한다.
해석 가능성 연구는 일반 이론 부재로 인해 방법론이 파편화되고 평가 프로토콜이 일관되지 못한 문제가 있다.
사용자 정의 해석 가능성 전제로부터 대칭성과 제약 조건을 도출하고, 라그랑지언의 최소점을 통해 최적 해석 가능 모델을 찾는다. 기존 방법의 한계를 식별하고 새로운 연구 방향을 제시한다.
기존 방법(전통적, 개념 기반, 기계적 해석 가능성)의 한계를 식별하고 해결 방안을 제시하며, 해석 가능성 교육 및 연구 커뮤니티에 기여한다.