Yapay sinir ağları gibi modern makine öğrenimi modelleri, giderek daha karmaşık hale gelen kara kutu mimarileri aracılığıyla yüksek tahmin performansı elde ederek şeffaflık, yorumlanabilirlik ve adaletin gerekli olduğu ortamlarda kullanımlarını sınırlıyor. Burada, kara kutu modellerinin yapılandırılmış etki gösterimleri aracılığıyla yorumlanabilirliğini kolaylaştıran bir teknik olan fonksiyonel ayrıştırmanın yeni ve pratik bir uygulamasını sağlayan R paketi ONAM'ı sunuyoruz. ONAM, tahminlerin farklı giriş özellikleriyle ilişkili bileşenlere sonradan ayrıştırılması için algoritmik bir çerçeve uygular.
- Yapay sinir ağları gibi modern makine öğrenimi modelleri, giderek daha karmaşık hale gelen kara kutu mimarileri aracılığıyla yüksek tahmin performansı elde ederek şeffaflık, yorumlanabilirlik ve adaletin gerekli olduğu ortamlarda kullanımlarını sınırlıyor.
- Burada, kara kutu modellerinin yapılandırılmış etki gösterimleri aracılığıyla yorumlanabilirliğini kolaylaştıran bir teknik olan fonksiyonel ayrıştırmanın yeni ve pratik bir uygulamasını sağlayan R paketi ONAM'ı sunuyoruz.
- ONAM, tahminlerin farklı giriş özellikleriyle ilişkili bileşenlere sonradan ayrıştırılması için algoritmik bir çerçeve uygular.
Yapay sinir ağları gibi modern makine öğrenimi modelleri, giderek daha karmaşık hale gelen kara kutu mimarileri aracılığıyla yüksek tahmin performansı elde ederek şeffaflık, yorumlanabilirlik ve adaletin gerekli olduğu ortamlarda kullanımlarını sınırlıyor.
02 Özet
Yapay sinir ağları gibi modern makine öğrenimi modelleri, giderek daha karmaşık hale gelen kara kutu mimarileri aracılığıyla yüksek tahmin performansı elde ederek şeffaflık, yorumlanabilirlik ve adaletin gerekli olduğu ortamlarda kullanımlarını sınırlıyor. Burada, kara kutu modellerinin yapılandırılmış etki gösterimleri aracılığıyla yorumlanabilirliğini kolaylaştıran bir teknik olan fonksiyonel ayrıştırmanın yeni ve pratik bir uygulamasını sağlayan R paketi ONAM'ı sunuyoruz. ONAM, tahminlerin farklı giriş özellikleriyle ilişkili bileşenlere sonradan ayrıştırılması için algoritmik bir çerçeve uygular. Paket, görselleştirmeye yönelik işlevlerin yanı sıra yorumlanabilirliği değerlendirmeye yönelik niceliksel ölçümler de dahil olmak üzere kullanılabilirlik ve verimlilik için tasarlanmıştır. Modelden bağımsız bir yöntem olarak çok çeşitli tahmin modellerine uygulanabilir. ONAM'ın matematiksel temellerini, algoritmik tasarımını ve yazılım mimarisini açıklıyoruz. Önerilen metodolojinin temel sonucu, ortaya çıkan ayrıştırmanın hiyerarşik ortogonallik koşulunu karşılaması, böylece tüm bileşenlerin tanımlanabilir ve benzersiz şekilde tanımlanmış olmasını garanti etmesidir.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
Modern machine learning models, such as artificial neural networks, achieve high predictive performance through increasingly complex black-box architectures, limiting their use in settings where transparency, interpretability, and fairness are required. Here we present the R package ONAM, which provides a novel and practical implementation of functional decomposition, a technique to facilitate the interpretability of black-box models through structured effect representations. ONAM implements an algorithmic framework for the post-hoc decomposition of predictions into components associated with different input features. The package is designed for usability and efficiency, including functionalities for visualization as well as quantitative measures to assess interpretability. As a model-agnostic method, it can be applied to a wide range of prediction models. We describe the mathematical foundations, algorithmic design, and software architecture of ONAM. A central result of the proposed methodology is that the resulting decomposition satisfies the condition of hierarchical orthogonality, thereby guaranteeing that all components are identifiable and uniquely defined.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{khler2026onam,
title = {ONAM: Fitting Orthogonal Neural Additive Models for Post-Hoc Interpretability of Black-Box Predictions},
author = {David Köhler and Matthias Schmid},
journal = {arXiv preprint arXiv:2611.21550},
year = {2026},
url = {https://arxiv.org/abs/2611.21550}
}
Köhler, D., & Schmid, M. (2026). ONAM: Kara Kutu Tahminlerinin Post-Hoc Yorumlanabilirliği için Ortogonal Nöral Eklemeli Modellerin Uyarlanması. arXiv. https://arxiv.org/abs/2611.21550
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın