論文の概要: Explainable outlier detection through decision tree conditioning

• arxiv url: http://arxiv.org/abs/2001.00636v1
• Date: Thu, 2 Jan 2020 21:45:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 03:53:50.424826
• Title: Explainable outlier detection through decision tree conditioning
• Title（参考訳）: 決定木条件付けによる説明可能な外乱検出
• Authors: David Cortes
• Abstract要約: GritBotソフトウェアは、教師付き決定木を変数で分割して評価し、追跡することで機能する。 観察において変数の与えられた値が外れやすいとみなすことができる理由について、人間可読な説明を作成できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work describes an outlier detection procedure (named "OutlierTree") loosely based on the GritBot software developed by RuleQuest research, which works by evaluating and following supervised decision tree splits on variables, in whose branches 1-d confidence intervals are constructed for the target variable and potential outliers flagged according to these confidence intervals. Under this logic, it's possible to produce human-readable explanations for why a given value of a variable in an observation can be considered as outlier, by considering the decision tree branch conditions along with general distribution statistics among the non-outlier observations that fell into the same branch, which can then be contrasted against the value which lies outside the CI. The supervised splits help to ensure that the generated conditions are not spurious, but rather related to the target variable and having logical breakpoints.
• Abstract（参考訳）: 本研究は,ルールクエスト研究によって開発されたGritBotソフトウェアに基づいて,対象変数に対する1-d信頼区間と,これらの信頼区間に応じてフラグ付けされた潜在外乱区間を構成する変数に対して,教師付き決定木分割の評価と追従を行う。 この論理の下では、観測における変数の与えられた値がなぜ外れ値と見なされるのかを、同じ分岐に落ちた非外れ値観測の一般分布統計とともに決定木分岐条件を考慮し、人読み可能な説明を作成でき、ciの外にある値と対比することができる。 教師付き分割(supervised splits)は、生成された条件がスプリアスではなく、ターゲット変数と関連し、論理的なブレークポイントを持つことを保証するのに役立つ。

関連論文リスト

• Rethinking Distance Metrics for Counterfactual Explainability [53.436414009687]
  本研究では, 反事実を参照領域から独立して引き出すのではなく, 基礎となるデータ分布からの参照と共同してサンプリングする, 反事実生成手法のフレーミングについて検討する。 我々は、幅広い設定に適用可能な、反ファクト的な類似性のために調整された距離メートル法を導出する。
  論文  参考訳（メタデータ） (2024-10-18T15:06:50Z)
• DTOR: Decision Tree Outlier Regressor to explain anomalies [37.00322799216377]
  Decision Tree Outlier Regressor (DTOR) は、個々のデータポイントに対してルールベースの説明を生成する技術である。 本結果は,多数の特徴を持つデータセットにおいても,DTORの堅牢性を示すものである。
  論文  参考訳（メタデータ） (2024-03-16T11:38:31Z)
• On the Pointwise Behavior of Recursive Partitioning and Its Implications for Heterogeneous Causal Effect Estimation [8.394633341978007]
  決定木学習は、ポイントワイズ推論にますます使われている。 適応決定木は、非消滅確率のノルムにおける収束の収束率を達成できないことを示す。 ランダムな森林は状況を改善することができ、貧弱な樹木をほぼ最適な手順に変えることができる。
  論文  参考訳（メタデータ） (2022-11-19T21:28:30Z)
• Reliable Inlier Evaluation for Unsupervised Point Cloud Registration [26.883254695961682]
  本研究では,ロバストな無監督点雲登録のための周辺コンセンサスに基づく信頼性の高い不整合性評価手法を提案する。 震源近傍とそれに対応する擬似目標近傍の識別的幾何学的差異を効果的不等式識別のために捉えることが期待されている。 教師なし環境下では,ハマー関数に基づく大域的アライメント損失,局所的な地域的コンセンサス損失,空間的一貫性損失をモデル最適化に用いる。
  論文  参考訳（メタデータ） (2022-02-23T03:46:42Z)
• Isolation forests: looking beyond tree depth [0.0]
  通常の観測に比べて、与えられた部分空間に1個だけ残すにはランダムなカットを少なくする。 元々のアイデアは、分離に必要な木深さ(ランダムカット数)に基づいて、外れ値のスコアを提案した。 ここでの実験は、取られた特徴空間の大きさとそれに割り当てられた点の数に関する情報を使用することで、多くの状況において改善結果が得られることを示している。
  論文  参考訳（メタデータ） (2021-11-23T04:04:31Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• Tree-Values: selective inference for regression trees [0.0]
  データから推定された木が標準的な保証を達成できないという事実を説明できない推論に対する単純なアプローチ。 適応したCARTツリー上での推論を行うための選択推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-15T00:25:11Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
  確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。 我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。 まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
  論文  参考訳（メタデータ） (2020-08-19T16:04:34Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。