机构名称：
¥ 1.0
机器学习方法在许多领域都表现出色，包括神经影像数据分析。然而，模型性能只是神经影像分析的一个目标。从数据中获得洞察力在这一领域也至关重要，例如识别检测到的信号与认知和诊断任务相关的区域。为了满足这一需求，实现模型决策过程的可解释性至关重要。众所周知，复杂机器学习模型的预测很难解释。这限制了核支持向量机 (SVM) 等复杂模型在神经影像分析中的使用。最近，已经开发了几种基于置换的方法来解释这些复杂模型。然而，解释结果会受到与类无关的特征（如抑制变量和高背景噪声变量）的影响。在解释线性模型时也可能会出现这个问题。一个可能的原因是，当特征不独立（例如相关）时，置换过程会产生不切实际的数据实例。这些不切实际的数据实例会影响解释结果。在神经影像分析中，激活模式（对应于当前分类器的假设生成模型的估计权重）用于处理线性模型的这一问题。该方法不依赖于置换过程，而是依赖于可用的数据信息。在本文中，我们提出了一种通过激活模式解释（EAP）的新方法来解释用于神经影像数据分析的不同类型核的 SVM 模型。我们的方法可以通过估计核 SVM 模型的激活模式来生成全局特征重要性分数。我们在模拟数据集和公开的视觉任务 EEG/MEG 数据集上将我们的方法与三种流行方法进行了评估。实验结果表明，与其他三种方法相比，所提出的 EAP 方法可以提供低计算成本的解释，并且受类无关特征的影响较小。在使用视觉任务的 MEG/EEG 数据集的实验中，所提出的 EAP 方法在视觉任务 EEG/MEG 数据上提供的结果与文献中报道的大脑电活动模式一致，并且比其他解释方法快得多。
解释用于神经影像数据分析的核 SVM 模型的预测
主要关键词
相关文件推荐
