Масштабируемые методы обучения по запросам на сложно структурированных данных с использованием узорных структур

В настоящее время машинное обучение применяется в большинстве сфер деятельности, в том числе в тех, в которых принимаемые решения имеют большую важность. Например, к этим сферам можно отнести кредитный скоринг, медицина или автономный транспорт. Однако в силу множества факторов в этих областях интерпретируемость модели машинного обучения, то есть возможность дать объяснение, почему было принято то или иное решение, часто оказывается важнее, чем дальнейшее повышение оптимальности этих решений. Большинство распространенных классических алгоритмов машинного обучения, в том числе нейронные сети, несмотря на высокую эффективность, представляют собой так называемые <<черные ящики>>, то есть сама их структура не позволяет представить обученный алгоритм в виде описания, понятного человеку-эксперту. Одним из интерпретируемых алгоритмов машинного обучения является алгоритм ленивой классификации при помощи узорных структур, основанный на схожести описаний классифицируемого объекта и примеров из обучающей подвыборки. В данной работе рассматривается повышение качества работы этого алгоритма за счет бустинга. Идея заключается в присвоении объектам из обучающей выборки весов, которые на стадии классификации <<подсказывают>> модели, на какие примеры следует обращать больше внимания, поскольку они позволяют делать более точные предсказания. Предложенная модификация алгоритма не теряет свойства интерпретируемости и может проводить классификацию быстрее за счет нахождения сравнительно небольшого подмножества <<показательных>> примеров.