精确的沙普利值的计算用于解释支向量机器模型,使用辐射基础函数内核函数

科学领域:

• 计算化学是一种计算化学.
• 人工智能的人工智能是人工智能.
• 药物发现 药物发现

背景情况:

• 机器学习 (ML) 模型在制药研究中至关重要,但经常充当黑子,阻碍解释.
• 可解释AI (XAI) 方法,特别是Shapley值,旨在合理化实验设计的ML预测.
• 像SHAP这样的现有近似方法与支持矢量机 (SVM) 模型的确切Shapley值的相关性有限,特别是与Tanimoto内核.

研究的目的:

• 为 SVM 模型开发一种计算效率高的方法来计算精确的 Shapley 值.
• 解决SHAP在准确解释SVM预测方面的局限性.
• 为了使在药物研究中更可靠地解释ML模型.

主要方法:

• 开发了沙普利值表达辐射基函数 (SVERAD) 方法.
• 应用 SVERAD 来计算使用辐射基函数内核的 SVM 模型的精确 Shapley 值.
• 与现有方法相比,评估了SVERAD的效率和准确性.

主要成果:

• 在 SVM 模型中,SVERAD 可有效计算精确的 Shapley 值.
• 新方法为SVM预测提供了有意义的解释.
• 与SVMs的SHAP相比,SVERAD和精确的Shapley值之间的相关性得到了改善.

结论:

• 在药物研究中,SVERAD为解释SVM模型提供了一个计算效率高,准确的解决方案.
• 这一进步有助于更好地理解和信任机器学习驱动的预测.
• 该方法支持药物发现实验的合理设计.