Ein erklärbares probabilistisches Klassifikationsverfahren für kategorische Daten, inspiriert durch die Quantenphysik

Diese Arbeit präsentiert den Sparse Tensor Classifier (STC), einen überwachten Klassifikationsalgorithmus für kategoriale Daten, der sich an dem Konzept der Überlagerung von Zuständen in der Quantenphysik orientiert. Indem wir eine Beobachtung als Überlagerung von Merkmalen betrachten, führen wir den Begriff der Wellen-Teilchen-Dualität in das maschinelle Lernen ein und schlagen einen verallgemeinerten Rahmen vor, der klassische und quantenmechanische Wahrscheinlichkeit vereint. Wir zeigen, dass STC eine Vielzahl wünschenswerter Eigenschaften besitzt, die in den meisten anderen maschinellen Lernverfahren nicht verfügbar sind, gleichzeitig jedoch äußerst leicht zu verstehen und anzuwenden ist. Die empirische Evaluation von STC auf strukturierten Daten und Textklassifikation belegt, dass unsere Methodologie im Vergleich sowohl zu herkömmlichen Klassifikatoren als auch zu tiefen Lernverfahren Zustand der Kunst-Leistung erzielt – und dies zusätzlich mit minimalem Aufwand bei der Datenaufbereitung und Hyperparameter-Tuning. Darüber hinaus liefert STC eine natürliche Erklärung seiner Vorhersagen, sowohl für einzelne Instanzen als auch global für jede Zielklasse.