Understanding how subsets of items are chosen from offered sets is critical to assortment planning, wireless network planning, and many other applications. There are two seemingly unrelated subset choice models that capture dependencies between items: intuitive and interpretable random utility models; and tractable determinantal point processes (DPPs). This paper connects the two. First, all DPPs are shown to be random utility models. Next, a determinantal choice model that enjoys the best of both worlds is specified; the model is shown to subsume logistic regression when dependence is minimal, and MNL when dependence is maximally negative. This makes the model interpretable, while retaining the tractability of DPPs. A simulation study verifies that the model can learn a continuum of negative dependencies from data, and an applied study using original experimental data produces novel insights on wireless interference in LoRa networks.
Gaussian Determinantal Processes: a new model for directionality in data
National University of Singapore（新加坡国立大学）；Massachusetts Institute of Technology（麻省理工学院）
决定点过程（Determinantal Point Processes）DPP）最近已成为用于对数据中的负相关或排斥现象进行建模的流行工具。然而，我们的理解类似的经典参数统计理论是相当有限的这类模型。在这项工作中，我们研究了一个参数家庭的高斯DPP的参数调制的观察点上的效果清楚地解释。我们发现，参数调制的影响，通过在其排斥结构中引入方向性的观察点，和主方向对应的方向的最大（即最长范围）的依赖性。这个模型很容易产生一个新的和可行的替代主成分分析（PCA）作为一个降维工具，有利于沿数据最分散的方向。这种方法的贡献是补充了统计分析的加标模型类似的协方差阵作为一个框架，研究五氯苯甲醚。这些理论研究揭示了有趣的问题，为进一步研究随机矩阵理论，随机几何和相关主题。
RETAIN: An Interpretable Predictive Model for Healthcare using Reverse Time Attention Mechanism
Georgia Institute of Technology（佐治亚理工学院）；Sutter Health（萨特健康）
准确性和可解释性是成功的预测模型的两个主要特征。通常情况下，必须选择支持复杂的黑盒模型，如递归神经网络（RNN）的准确性，而不是准确性较低但更可解释的传统模型，如逻辑回归。这种权衡在准确性和可解释性都很重要的医学中提出了挑战。我们通过开发用于电子健康记录（EHR）数据的REverse Time AttentIoN模型（RETAIN）来应对这一挑战。RETAIN在保持临床可解释性的同时实现了高准确性，并且基于两级神经注意力模型，该模型检测有影响力的既往访视和这些访视中的重要临床变量（例如关键诊断）。RETAIN通过以相反的时间顺序关注EHR数据来模仿医生的实践，以便最近的临床访问可能会受到更高的关注。RETAIN在一个大型健康系统EHR数据集上进行了测试，在8年的时间里，263K名患者完成了1400万次访问，并证明了与RNN等最先进方法相媲美的预测准确性和计算可扩展性，以及与传统模型相媲美的可解释性。
Interpretable and Explainable Logical Policies via Neurally Guided Symbolic Abstraction
Technical University of Darmstadt（达姆施塔特工业大学）；National Research Center for Applied Cybersecurity（国家应用网络安全研究中心）；Eindhoven University of Technology（埃因霍温理工大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）；German Research Center for AI (DFKI)（德国人工智能研究中心）
Plastic tensor networks for interpretable generative modeling
Institute for Solid State Physics, The University of Tokyo（东京大学固态物理研究所）；Graduate School of Informatics, Kyoto University（京都大学信息科学研究生院）；Institute for Physics of Intelligence, The University of Tokyo（东京大学智能物理研究所）；Trans-scale Quantum Science Institute, The University of Tokyo（东京大学跨尺度量子科学研究所）
Neural Approaches to SAT Solving: Design Choices and Interpretability
Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（捷克布拉格捷克技术大学信息学、机器人学与控制论研究所）；University of Ostrava（俄斯特拉发大学）
