通过解释驱动的白盒优化实现高效的自适应

《ACM Transactions on Autonomous and Adaptive Systems》：Efficient Self-Adaptation through Explanation-Driven White-Box Optimization

黑盒预测模型导致自适应性系统存在解释性差和优化成本高的问题，本文提出解释驱动的自适应性方法XDA-II，通过整合部分依赖图和特征重要性提升可解释性同时优化效率，实验证明其优于随机搜索、NSGA-III和黑盒方法。

　　

摘要

自适应系统越来越多地依赖黑箱预测模型（如神经网络）来进行决策和适应规划。在这种情况下，适应决策及其对周围环境的可能影响难以解释。此外，这些模型的不透明性通常需要使用昂贵的优化技术。计算复杂性的产生是因为无法直接观察或理解黑箱预测模型的内部机制。这要求使用迭代方法来探索可能庞大的搜索空间，并根据多个目标进行优化，从而在效率和成本之间形成关键挑战。

在本文中，我们提出了一种基于解释的自适应方法，该方法将与模型无关的可解释机器学习技术嵌入到反馈循环中。具体而言，我们介绍了XDA-II，它是XDA的扩展版本，集成了多种解释来源。这个新版本结合了部分依赖图和特征重要性，以保持可解释性，同时提高效率。除了可解释性的优势外，解释结果对于通过白箱优化指导适应过程也非常重要，因为白箱优化由于涉及函数的透明性和可预测的数学特性而比黑箱优化更具成本效益。我们的实证评估使用了六个研究对象，结果表明，与四种选定的基线方法（包括现有的黑箱方法——随机搜索、NSGA-III和FITEST——以及白箱方法——前身XDA）相比，XDA-II在收敛到最优适应解决方案方面更为高效。