Авторы предлагают нейронные классификационные деревья (NCT), фреймворк, который обеспечивает устойчивость за счёт кодирования структуры подгрупп внутри своей древовидной архитектуры для устранения ложных корреляций в моделях машинного обучения.

  • NCT направляет каждый образец к «лёгкому» или «трудному» узлу на основе правильности предсказания и повторно использует эти маршруты в качестве псевдометок для последующих итераций.
  • Метод разделяет конфликтующие подгруппы без необходимости явного обучения с учителем по подгруппам.
  • Эксперименты на пяти бенчмарках демонстрируют, что изученная топология дерева последовательно изолирует меньшинственные подгруппы, обеспечивая высокую интерпретируемость.
  • Подход обеспечивает сопоставимую устойчивость по сравнению с современными методами, одновременно предоставляя прозрачное отображение между архитектурой модели и структурой данных.