研究人员引入了一种方法，通过强制执行源自偏依赖的约束来引导神经网络训练，确保模型对特定特征的平均响应与已知的功能领域知识保持一致。

  • 该方法解决了可解释性引导学习中的空白，通过调整模型以产生忠于先验知识的解释，而不仅仅是解释现有的交互。
  • 该方法在回归问题上进行了演示，包括动态系统预测，其中受约束的模型优于无约束模型，并表现出更高的数据效率。
  • 受约束模型的解释与用户提供的知识一致，而无约束模型的解释则不一致。

这种方法通过将领域专业知识直接纳入训练过程，允许创建更具可解释性和数据效率的模型。