Преодоление компромисса между точностью и интерпретируемостью: интерпретируемые модели глубокого обучения для оценки недвижимости по спутниковым изображениям
Tackling the Accuracy-Interpretability Trade-off: Interpretable Deep Learning Models for Satellite Image-based Real Estate Appraisal
2022-10-10
SCID: 54.1/xsdv9c26
Discuss with AI
Grad-Ramинтерпретируемое глубокое обучениемноговидовое глубокое обучениеоценка недвижимостиспутниковые изображения
Figures from the paper
Abstract (AI)
Модели глубокого обучения лежат в основе многих современных систем поддержки принятия решений, поскольку обычно обеспечивают высокую прогностическую эффективность. В частности, глубокое обучение применяется для оценки недвижимости, позволяя расширить анализ, основанный только на объективных характеристиках (например, площади и возрасте), за счет учета более неявной информации о местоположении или внешнем виде домов, представленной в виде изображений. Однако одним из недостатков моделей глубокого обучения является непрозрачный механизм принятия решений, что приводит к компромиссу между точностью и интерпретируемостью. Это ограничивает их применимость к задачам, в которых необходимо обосновать принятое решение. Поэтому в данной статье мы, во-первых, объединяем различные подходы к интерпретируемости в многомерную структуру, основанную на социотехническом подходе к объяснимому искусственному интеллекту. Во-вторых, мы оцениваем прирост эффективности от применения многопредставленного глубокого обучения, использующего дополнительные данные изображений (спутниковые изображения) для оценки недвижимости. В-третьих, мы предлагаем и тестируем новый метод объяснимости post hoc, названный Grad-Ram. Эта модифицированная версия Grad-CAM снижает непрозрачность сверточных нейронных сетей при прогнозировании непрерывных целевых переменных. Таким образом, мы стремимся уменьшить компромисс между точностью и интерпретируемостью многопредставленных моделей глубокого обучения. Предложенная нами архитектура сети превосходит традиционные модели гедонической регрессии на 34% по показателю MAE. Кроме того, мы обнаружили, что используемые спутниковые изображения являются второй по значимости предикторной переменной после площади в квадратных футах в нашей модели, а сеть обучается интерпретируемым закономерностям, связанным со структурой и плотностью района.
Key Findings
1
Многовидовое глубокое обучение повышает точность оценки недвижимости, дополняя традиционные характеристики объектов спутниковыми изображениями.
2
Спутниковые изображения являются вторым по важности предиктором после площади объекта, а сеть выявляет интерпретируемые закономерности структуры и плотности района.
3
В статье разработана многомерная система интерпретируемости, учитывающая социотехнические аспекты объяснимого искусственного интеллекта.
4
Предложенный метод Grad-Ram адаптирует Grad-Cam для объяснения сверточных нейронных сетей, прогнозирующих непрерывные значения стоимости недвижимости.
5
Предложенная архитектура превосходит традиционные гедонические регрессионные модели на 34% по средней абсолютной ошибке.
Research Object
многовидовые модели глубокого обучения для оценки недвижимости на основе спутниковых изображений
Research Subject
компромисс между прогностической точностью и интерпретируемостью, включая вклад спутниковых изображений и изучаемые интерпретируемые закономерности структуры и плотности района
Publication Details
Publication Date
2022-10-10
Journal
Publisher
ISSN
Access Type
Author Information
Download PDF
Subscribe to digest