Los investigadores presentan un método para dirigir el entrenamiento de redes neuronales imponiendo restricciones derivadas de la dependencia parcial, asegurando que la respuesta promedio del modelo a características específicas se alinee con el conocimiento funcional conocido del dominio.
- El enfoque aborda la brecha en el aprendizaje guiado por explicaciones ajustando los modelos para producir explicaciones fieles al conocimiento previo en lugar de solo interpretar interacciones existentes.
- Se demuestra en problemas de regresión, incluyendo la predicción de sistemas dinámicos, donde los modelos restringidos superan a los no restringidos y exhiben mayor eficiencia de datos.
- Las interpretaciones de los modelos restringidos se alinean con el conocimiento proporcionado por el usuario, mientras que las de los modelos no restringidos no lo hacen.
Este método permite crear modelos más interpretables y eficientes en datos al incorporar directamente la experiencia del dominio en el proceso de entrenamiento.