基于累积局部效应与加权Fréchet距离的可解释多任务相似性度量方法研究

本研究针对多任务学习(MTL)中任务相似性评估缺乏可解释性的问题，提出了一种基于累积局部效应(ALE)曲线和加权Fréchet距离的新型相似性度量方法。该方法通过整合特征重要性和数据分布权重，实现了对表格和非表格数据的跨任务关系量化，在帕金森病数据集和共享单车数据集等真实场景中验证了其有效性，为可解释人工智能(XAI)在多任务场景的应用提供了新范式。

　　

在人工智能领域，多任务学习(MTL)通过共享任务间知识来提升模型性能，但如何量化任务相似性始终是核心挑战。传统方法依赖抽象的参数共享机制，虽能优化模型却无法解释"哪些任务相似"及"为何相似"。随着可解释人工智能(XAI)的发展，理解模型决策过程的需求日益迫切，但现有XAI技术仅适用于单任务场景。Pablo Hidalgo和Daniel Rodriguez的这项研究正是为解决这一矛盾而生——他们开创性地将XAI理念引入MTL领域，提出首个基于累积局部效应(ALE)曲线的可解释多任务相似性度量框架。

研究团队首先系统分析了当前MTL技术的局限性：硬参数共享缺乏灵活性，软参数共享(如Frobenius范数约束)虽能提升精度却难以解释相似性本质。与此同时，XAI工具如ALE虽能可视化单任务特征影响，但无法跨任务比较。这种解释性缺失在医疗等关键领域尤为致命——例如判断两种疾病是否对相同治疗敏感时，仅知道模型参数相似远远不够，更需要理解特征-预测关系的异同。

为解决这些问题，研究者开发了融合ALE与加权Fréchet距离的复合度量。技术路线包含三大创新：1) 采用ALE曲线捕捉各任务特征的平均影响，避免PDP(Partial Dependence Plots)的偏差问题；2) 设计数据分布加权的Fréchet距离算法，通过动态调整区间可靠性权重解决样本分布差异；3) 引入性能缩放因子γ_t(t')，用损失函数比值校正模型质量差异带来的偏差。特别地，针对非结构化数据(如图像)，提出概念瓶颈编码器方案，将原始特征转换为可解释的语义概念后再计算相似性。

关键技术方法包括：1) 使用随机森林和深度学习模型分别在合成数据、帕金森数据集(42患者/5875条记录)和BiciMad共享单车数据(264站点/200万条)上训练任务；2) 计算等间距分箱的ALE曲线，通过动态规划实现O(pq)复杂度的加权Fréchet距离；3) 对高维数据采用自动编码器降维，对振荡曲线应用粗糙惩罚三次样条平滑；4) 在CelebA图像数据集上验证概念瓶颈编码器的有效性。

研究结果部分，合成数据实验验证了度量对特征分布和曲线形态的敏感性。当变量X₄在不同任务呈现相反趋势时，加权Fréchet距离成功捕捉到这种差异(133.27 vs 3.44)。帕金森病分析中，患者15因独特的DFA(信号分形标度指数)曲线被识别为异常案例，其与最相似患者的距离(47.16)是最不相似患者(154.93)的1/3。共享单车案例则证明该度量适用于大规模任务集——在6个聚类中，温度变量在Cluster 1呈正效应而在Cluster 3呈负效应，这种关键差异被准确量化。

概念编码器在CelebA数据集的表现尤为亮眼。如表5所示，"胡须"与"男性"任务的相似度(0.17)远低于与"涂口红"的相似度(0.88)，符合性别特征关联的医学常识。更深入的分析显示，"秃头"、"黑发"等概念对男性判断的贡献度(<0.03)显著高于对饰品预测的贡献度(>0.11)，证明概念层相似性能反映语义关联。

这项发表于《Knowledge-Based Systems》的研究具有三重意义：方法论上，首次实现可解释的多任务关系量化；技术上，提出的加权Fréchet距离和概念编码策略为复杂数据比较提供新思路；应用上，在医疗诊断(帕金森病分型)和城市计算(共享单车调度)等场景展现实用价值。未来工作可探索该度量在动态任务聚类、多任务架构优化等方向的应用，推动XAI与MTL的深度融合。正如作者强调的，当AI系统需要"解释为什么推荐这种治疗方案"而不仅是预测疗效时，这类可解释的相似性度量将成为不可或缺的决策支持工具。