Table of Contents
关于
- 可解释性+效果
- BAIR 博客地址：https://bair.berkeley.edu/blog/2020/04/23/decisions/
- 论文地址：https://arxiv.org/abs/2004.00221
- 开源项目地址：https://github.com/alvinwan/neural-backed-decision-trees
- 解读 https://mp.weixin.qq.com/s/CL1Dvx70TxsQP3KrjT8HCg
主要方法
- 利用NN将每个样本变成一个d维向量（例如用VGGNet最后一层向量）
- 决策树的每个节点（叶子节点和内部节点）都有一个向量r
- 利用内积法则决策，决策路径根据样本向量与节点向量的内积
- 最后一层全连接层(softmax)的权重实际上就对应每一个类别(决策树叶子节点)的向量
- hard 推断：从root开始，每一步都走最大的子节点
- soft 推断：遍历所有路径，每个叶子节点的概率是路径上的决策概率乘积
- 对softmax权重层级聚类，得到决策树
