ML flexível, controlado e interpretável com modelos baseados em reticulados

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_sizes=[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(...)

O TensorFlow Lattice é uma biblioteca que implementa modelos restritos e interpretáveis baseados em reticulados. A biblioteca permite adicionar conhecimento do seu domínio ao processo de aprendizado com restrições de formato baseadas em políticas ou de senso comum. Isso é feito usando uma série de camadas da Keras que podem satisfazer restrições como monotonicidade, convexidade e como os recursos interagem. A biblioteca também oferece modelos pré-desenvolvidos e estimators automáticos fáceis de configurar.

Com o TF Lattice, você pode usar o conhecimento do seu domínio para extrapolar melhor para as partes do espaço de entradas não cobertas pelo conjunto de dados de treinamento. Isso ajuda a evitar o comportamento inesperado do modelo quando a distribuição de exibição é diferente da distribuição de treinamento.