在表格数据的可解释分类器中，通常依赖于稀疏特征、规则或用户可以直接检查的模式。然而，常见的边际特征筛选步骤可能会丢弃那些只有通过与其他变量的联合配置才能显现出预测价值的变量。
为了解决这个问题，我们提出了交互式可解释机器学习（IAIML）框架，通过三个协调机制来克服这一局限：
- 自适应特征离散化：根据特征的分布动态调整离散化策略。
- 有限网格成对交互评分：评估特征对之间的交互影响。
- 分区解释预算：为模型提供可控的解释大小。
检测到的交互通过两种策略之一进行处理：放宽筛选过滤器，以便交互支持的变量进入模式搜索，或者为稀疏下游分类器构建显式对项。
在一个包含24个真实表格基准和16个合成交互压力测试的40数据集面板中，IAIML在嵌套交叉验证下实现了平均AUC在调优的梯度提升集成模型之内差1.4点，同时所需的拟合解释组件数量大约减少了14至28倍。
在具有强成对交互结构和低边际信号的数据集上，IAIML超越了所有基线。与紧凑的可解释方法相比，IAIML在AUC和组件数量上与RuleFit相当，并且调优成本更低。
EBM在整个面板上获得了小但显著的AUC优势，但其查找表占用的空间要大得多。在需要超出成对范围的高阶交互的数据集上，性能有所下降。
组件孤立消融实验确认，自适应离散化和交互意识接纳各自都具有增量贡献。这些结果支持IAIML作为一个紧凑的、交互意识的框架，适合于需要受限解释大小和受控特征交互处理的设计要求的场景。
博主点评： IAIML框架展示了如何通过引入交互意识来提升可解释性，同时保持模型的紧凑性。这一工作不仅解决了传统方法的不足，还为未来的可解释机器学习研究提供了新的思路，尤其是在面对复杂数据结构时的应用潜力。其在多个基准数据集上的优异表现，表明了该方法的实际价值与适用性。