GIMO：简化专家反馈的多目标规则挖掘系统

"多目标规则挖掘系统简化领域专家反馈：一个行业合作的例子" 本文主要讨论了一个名为GIMO的多目标规则挖掘系统，该系统旨在解决传统数据挖掘方法在处理领域专家反馈时所面临的挑战，特别是在软件工程研究中的应用。文章强调了在软件开发中，从软件仓库提取的数据用于预测源代码缺陷等任务，而在这个过程中，领域专家的参与和反馈至关重要。 文章指出，传统的数据挖掘方法在处理以下问题时存在不足： 1. 领域专家的反馈整合困难：专家能够提供有价值的输入，但现有的方法往往不便于他们有效地参与和提供反馈。 2. 多目标评估：模型质量的评估不应仅依赖于单一指标如AUC（Area Under the ROC Curve）或准确性，而是需要考虑多个具有不同重要性的目标，这些目标之间的权衡难以量化。 3. 实例级别的性能评估：在某些情况下，模型性能无法在单个实例级别上进行评估，这与集合覆盖问题有关。 为了解决这些问题，研究者开发了GIMO系统，该系统采用了基于GRASP-PR（Grasp with Path-Relinking）元启发式算法的新型多目标任意时刻规则挖掘算法。此算法融合了多种方法，旨在简化领域专家的反馈过程，并适应特定领域的评估需求。GIMO系统已在实际工业环境中成功应用，并且文章提供了系统的实现细节。 文章进一步指出，理解和解释决策支持系统对于企业专家的决策至关重要，尤其是在法律和法规要求透明度的情况下。例如，德国政府最近的规定强调，保险公司的决策支持系统如果采用黑匣子模型，可能不符合现有的法规要求。因此，可解释性人工智能（XAI）成为必要，GIMO系统在这一背景下提供了一种更可解释、更易接受的决策支持工具。 这篇文章介绍了一个创新的多目标规则挖掘系统，它增强了领域专家的参与度，改进了评估机制，同时提高了决策过程的可解释性，这对于在软件工程和其他领域实施更有效的人工智能解决方案具有重要意义。