彈性、受控制且可解釋的機器學習技術 (採用以 Lattice 為基礎的模型)

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 程式庫可實作受到限制且以 Lattice 為基礎的可解釋模型。這個程式庫可讓你透過常識或政策導向的形狀限制,將領域知識注入學習程序。這項作業是使用一系列的 Keras 層來執行,這些 Keras 層可滿足單調性、凸性和特性互動方式等限制。這個程式庫也提供易於設定的預製模型罐頭 Estimator

TF Lattice 可讓你運用領域知識,針對訓練資料集未涵蓋的輸入空間進行更有效的推論。當提供發布與訓練發布不同時,這有助於避免發生非預期的模型行為。