《Inventions》:A Post-Hoc Explanation Layer for Quantum Logic Decision Trees Constructed with QLDT+
编辑推荐:
本研究提出了一种面向以QLDT+构建的二分类量子逻辑决策树(Quantum Logic Decision Tree, QLDT)的后验解释层。该解释层不修改已拟合的决策树、决策阈值或预测标签,而是将带有类别标注的QLDT+路径转换为IF–THEN规则,并为每次
本研究提出了一种面向以QLDT+构建的二分类量子逻辑决策树(Quantum Logic Decision Tree, QLDT)的后验解释层。该解释层不修改已拟合的决策树、决策阈值或预测标签,而是将带有类别标注的QLDT+路径转换为IF–THEN规则,并为每次预测附加一个基于解释的置信度评分(confidence score)。该评分为三个量的等权平均:规则支持度(rule support),即预测类别贡献规则的激活质量;路径可靠性(path reliability),即由训练证据比率导出的类别特定可靠性;以及QLDT+评分距决策阈值的归一化距离(normalized distance)。在Banknote与Diabetes数据集上采用分层5折交叉验证(stratified 5-fold cross-validation)并以十个随机种子重复实验,结果显示每次运行中正确预测获得的平均评分均高于错误预测(平均差值分别为0.18与0.14),且接近阈值的决策获得较低评分。在选择性预测(selective prediction)中,错误率随覆盖率(coverage)降低而下降;但在Diabetes数据集上,覆盖率不超过40%时保留的决策全部被预测为类别0。因此,该解释层更适合被理解为对固定QLDT+决策的可分解解释,而非校准概率或优化的选择性预测评分。
论文解读:面向QLDT+量子逻辑决策树的后验解释层
一、研究背景与问题
在真实世界的分类场景中,构建一个能够可靠判定对象所属类别的模型是核心目标,而随着可信人工智能需求的增长,分类器不仅需要给出准确预测,还必须以人类可理解的形式说明其决策依据,并表达每个决策背后所蕴含的近似、基于证据的支持程度。传统决策树以单个属性上的布尔条件定义节点,在输入空间中诱导轴平行超平面,虽然结构直观,但当类别边界依赖于属性间的乘法或强交互关系时,树会变得复杂且丧失可解释性。为克服这一局限,Schmitt提出了量子逻辑启发的决策树(QLDT),将属性值视为量子测量结果,通过量子逻辑中的否定、合取与析取直接组合属性值;其改进变体QLDT+通过启发式自顶向下构造策略,基于证据比率的局部优化,消除了枚举全部极小项(minterm)的指数级开销。然而,QLDT+虽能输出连续的CQQL评估分数与类别标签,却缺乏对单个预测进行解释的机制,即无法明确说明哪些规则支持了该预测、这些规则在训练数据上的可靠性如何、以及预测分数距离决策阈值有多远。正是这一解释层面的空白,促使了本研究的开展。
二、研究内容与意义
研究人员提出了一种后验解释层,该层不修改已拟合的QLDT+模型、决策阈值或预测标签,而是将类别标注的叶路径转化为可读的IF–THEN规则,并为每个预测附加一个基于解释的置信度评分。该评分由三个分量等权平均而成:规则支持度(预测类别贡献规则的激活质量)、路径可靠性(由训练证据比率导出的类别特定可靠性)以及QLDT+评分距决策阈值的归一化距离。该评分的核心价值在于它是一种可分解的预测级解释,允许用户分别检视规则激活、经验路径可靠性与阈值距离,而非作为校准后验概率或优化选择性分类性能的工具。在Banknote与Diabetes两个真实数据集上的分层5折交叉验证(以十个随机种子重复)表明,正确预测获得的平均评分在每次运行中均高于错误预测,近阈值决策获得较低评分,且按评分排序可降低选择性预测的错误率,从而为QLDT+决策提供了一种结构保持、语义明确且能标示边界情况的解释机制。
三、关键技术方法
研究人员采用的主要技术方法包括:其一,基于秩位置映射(rank-position mapping)的属性归一化,仅在训练数据上拟合,将原始值映射至[0,1]区间并作为“High”语言标注的等级化注释;其二,QLDT+自顶向下构造算法,通过证据比率(evidence ratio)的局部优化选择分裂属性,以可靠性阈值控制停止与叶分配准则;其三,规则提取协议,将类别标注的叶路径翻译为IF–THEN规则;其四,解释评分聚合,将规则支持度、激活加权路径可靠性与归一化决策边际等权平均为综合置信度指标。实验数据来源包括Banknote Authentication数据集(1372个实例,4个数值特征)与Pima Indians Diabetes数据集(768个实例,4个关键特征),均采用分层5折交叉验证协议,每折中归一化、树构造、路径统计与阈值估计仅基于训练折。
四、研究结果
4.1 血液输血数据集示例
研究人员使用已发表的QLDT+树结构(基于300个训练对象)演示规则提取,将类别标注的叶路径转化为7条IF–THEN规则,其中类别1规则3条、类别0规则4条,最大路径深度为4。由于这7条规则是构造树的完整叶集合,其激活值对任意对象求和为1,类别0规则的组合激活质量恰好是类别1分数的补数,与QLDT+的互补恒等式一致。
4.2 Banknote数据集
研究人员对Banknote数据集应用完整的QLDT+重建协议,每折仅从训练数据获得树、类别标注叶路径、路径可靠性值与决策阈值,用于检验所提解释置信度评分在真实数据集上的一致性行为。
4.3 Diabetes数据集上的对象级解释
研究人员以一名真实标签为类别1的受试患者为例,对比了三种解释形式:经典决策树给出单一路径解释;QLDT+通过CQQL评估函数给出连续分数并判定为类别1;所提注释层将类别1规则翻译为语言规则,计算规则激活值(与QLDT+类别1支持分数一致)、激活加权经验可靠性及归一化边际,最终得到解释置信度评分。该示例还揭示类别0规则“Glucose is High AND BMI is High AND Age is not High”的激活值大于类别1规则,患者因分数超过较低阈值而被判为类别1。另一例为最接近阈值的误分类患者,其解释置信度评分仅0.37,反映了决策的边界性质,说明该指标能标示近阈值决策。
4.4 Banknote与Diabetes上的交叉验证评估
在分层5折交叉验证下,正确分类实例的平均置信度评分在两类数据集上均高于错误分类实例,差异在边际分量上尤为明显,表明错误预测更常位于决策阈值附近。重复十次随机种子的实验证实,正确与错误预测的评分差异在每次运行中均为正,且预测性能数值并非特定种子的人为产物。边界案例分析显示,接近决策阈值的实例具有更低的平均置信度值与更低准确率。选择性预测评估表明,随低置信度预测被拒绝,错误率持续下降;Banknote上保留前40%最自信预测即达零观测错误,Diabetes上错误率从全覆盖率0.2630降至20%覆盖率0.0392,但保留预测在40%及以下覆盖率时全部为预测类别0。分量消融实验显示,等权综合评分在40%覆盖率下取得最高准确率,但并非全覆盖率范围内的最优排序分数,边际分量单独使用在两类数据集上均具有更低AURC,而可靠性分量单独使用最弱。权重敏感性分析表明,在测试的权重配置下,正确分类实例的平均置信度始终高于错误分类实例,实例排序变化极小(Spearman相关至少0.97),说明评分行为并非特定等权设置的偶然结果。
五、讨论与结论
讨论部分强调,所提置信度评分应被理解为基于解释的决策支持指标而非校准后验概率。该解释层提供四方面决策级可解释性:结构保持的局部解释(规则直接取自QLDT+构造路径而非外部代理模型)、语义规则语言化(以“High”与“not High”标注归一化属性值)、分量式置信分解(规则激活、经验路径可靠性与归一化决策边际)以及边界决策感知(小边际值标示接近阈值的决策)。研究同时指出局限:秩位置归一化与路径统计均估计自训练数据,“High”标注与可靠性相对训练分布而言,可能无法迁移至其他机构、人群或偏移数据;实验仅覆盖两个二分类数据集,多类别场景需单独扩展;解释对人类理解的实际提升需正式受试者研究验证。结论部分总结:该后验解释层保持QLDT+预测不变,将类别标注叶路径语言化为IF–THEN规则,为每次预测报告规则支持、激活加权路径可靠性与归一化决策边际,并以等权指标概括;该指标非校准后验概率,而是可分解的预测级解释。在Banknote与Diabetes上,正确预测获得更高平均指标值,近阈值决策获得较低值,按指标排序降低了两数据集的选择性观测错误,尽管Diabetes上40%及以下覆盖率保留预测全部为类别0。未来工作将考察人类受试者解释及向更大规模与多类别数据集的扩展。