Les chercheurs introduisent une méthode pour orienter l'entraînement des réseaux de neurones en imposant des contraintes dérivées de la dépendance partielle, garantissant que la réponse moyenne d'un modèle à des fonctionnalités spécifiques s'aligne sur les connaissances fonctionnelles du domaine connues.

  • L'approche comble le manque dans l'apprentissage guidé par l'explication en ajustant les modèles pour produire des explications fidèles aux connaissances antérieures plutôt qu'en se contentant d'interpréter les interactions existantes.
  • Elle est démontrée sur des problèmes de régression, y compris la prévision de systèmes dynamiques, où les modèles contraints surpassent les modèles non contraints et présentent une plus grande efficacité des données.
  • Les interprétations des modèles contraints s'alignent sur les connaissances fournies par l'utilisateur, contrairement à celles des modèles non contraints.

Cette méthode permet de créer des modèles plus interprétables et efficaces en termes de données en intégrant directement l'expertise du domaine dans le processus d'entraînement.