格子ベースのモデルによる柔軟でわかりやすい制御された ML

import numpy as np
import tensorflow as tf
import tensorflow_lattice as tfl

model = tf.keras.models.Sequential()
model.add(
    tfl.layers.ParallelCombination([
        # Monotonic piece-wise linear calibration with bounded output
        tfl.layers.PWLCalibration(
            monotonicity='increasing',
            input_keypoints=np.linspace(1., 5., num=20),
            output_min=0.0,
            output_max=1.0),
        # Diminishing returns
        tfl.layers.PWLCalibration(
            monotonicity='increasing',
            convexity='concave',
            input_keypoints=np.linspace(0., 200., num=20),
            output_min=0.0,
            output_max=2.0),
        # Partially monotonic categorical calibration: calib(0) <= calib(1)
        tfl.layers.CategoricalCalibration(
            num_buckets=4,
            output_min=0.0,
            output_max=1.0,
            monotonicities=[(0, 1)]),
    ]))
model.add(
    tfl.layers.Lattice(
        lattice_size=[2, 3, 2],
        monotonicities=['increasing', 'increasing', 'increasing'],
        # Trust: model is more responsive to input 0 if input 1 increases
        edgeworth_trusts=(0, 1, 'positive')))
model.compile(...)

TensorFlow Lattice は、制約付きの格子ベースのモデルをわかりやすい形で実装するライブラリです。このライブラリを使用すると、一般的な感覚やポリシーに基づいた形状の制約を通じて、学習プロセスに特定分野の知識を取り込むことができます。これは Keras レイヤのコレクションを使用して行われ、単調性、凸性、特徴の相互作用などの制約条件を満たすことが可能です。また、ライブラリにはセットアップが簡単な事前に作成されたモデルEstimator も用意されています。

TF Lattice を使用すると、特定分野の知識を使用して、入力空間のトレーニング データセットでカバーできない部分に対してより適切な推定を行えます。これにより、サービング分布がトレーニング分布と異なる場合に、モデルの予期しない動作を回避できます。