論文の概要: IMLI: An Incremental Framework for MaxSAT-Based Learning of Interpretable Classification Rules

• arxiv url: http://arxiv.org/abs/2001.01891v1
• Date: Tue, 7 Jan 2020 05:03:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 20:06:43.767313
• Title: IMLI: An Incremental Framework for MaxSAT-Based Learning of Interpretable Classification Rules
• Title（参考訳）: IMLI: 解釈可能な分類規則のMaxSATに基づく学習のためのインクリメンタルフレームワーク
• Authors: Bishwamittra Ghosh and Kuldeep S. Meel
• Abstract要約: 我々は、スケーラブルなランタイムパフォーマンスを実現するMaxSATベースのフレームワークに対する漸進的なアプローチであるIMLIを提案する。 IMLIは、精度と解釈性を失うことなく、最大3桁のランタイム改善を達成する。
• 参考スコア（独自算出の注目度）: 40.497133083839664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The wide adoption of machine learning in the critical domains such as medical diagnosis, law, education had propelled the need for interpretable techniques due to the need for end users to understand the reasoning behind decisions due to learning systems. The computational intractability of interpretable learning led practitioners to design heuristic techniques, which fail to provide sound handles to tradeoff accuracy and interpretability. Motivated by the success of MaxSAT solvers over the past decade, recently MaxSAT-based approach, called MLIC, was proposed that seeks to reduce the problem of learning interpretable rules expressed in Conjunctive Normal Form (CNF) to a MaxSAT query. While MLIC was shown to achieve accuracy similar to that of other state of the art black-box classifiers while generating small interpretable CNF formulas, the runtime performance of MLIC is significantly lagging and renders approach unusable in practice. In this context, authors raised the question: Is it possible to achieve the best of both worlds, i.e., a sound framework for interpretable learning that can take advantage of MaxSAT solvers while scaling to real-world instances? In this paper, we take a step towards answering the above question in affirmation. We propose IMLI: an incremental approach to MaxSAT based framework that achieves scalable runtime performance via partition-based training methodology. Extensive experiments on benchmarks arising from UCI repository demonstrate that IMLI achieves up to three orders of magnitude runtime improvement without loss of accuracy and interpretability.
• Abstract（参考訳）: 医学診断、法学、教育といった重要な分野における機械学習の普及により、エンドユーザーが学習システムによる意思決定の背後にある理由を理解する必要性から、解釈可能な技術の必要性が高まった。 解釈可能な学習の計算的難易度は、実践者がヒューリスティックなテクニックを設計するきっかけとなった。 過去10年間のMaxSATソルバの成功に触発された最近、MLICと呼ばれるMaxSATベースのアプローチが提案され、Conjunctive Normal Form (CNF)で表現された解釈可能なルールをMaxSATクエリに学習することの問題を減らそうとしている。 MLICは、小さな解釈可能なCNF式を生成しながら、アートブラックボックス分類器の他の状態と同様の精度を達成できたが、MLICのランタイム性能は著しく遅れており、実際は使用できない。 現実のインスタンスにスケールしながらMaxSATソルバを活用可能な、解釈可能な学習のための健全なフレームワークは、両方の世界のベストを達成できますか? 本稿では,上記の質問に対する肯定的回答に向けて一歩踏み出した。 我々は、分割ベースのトレーニング手法によりスケーラブルなランタイムパフォーマンスを実現するMaxSATベースのフレームワークへの漸進的なアプローチであるIMLIを提案する。 UCIリポジトリから生じるベンチマークに関する大規模な実験は、IMLIが精度と解釈可能性を失うことなく最大3桁のランタイム改善を達成することを示した。

関連論文リスト

• An Incremental MaxSAT-based Model to Learn Interpretable and Balanced Classification Rules [0.0]
  本研究は,MaxSATに基づく解釈可能かつバランスの取れたルールを学習するための漸進的モデルを提案することを目的とする。 MaxSATをベースとしたアプローチは、IMLIと呼ばれ、データセットにモデルを漸進的に適用することで一連のルールを学習するパフォーマンスを向上させるテクニックを提供する。
  論文  参考訳（メタデータ） (2024-03-25T04:43:47Z)
• torchmSAT: A GPU-Accelerated Approximation To The Maximum Satisfiability Problem [1.5850859526672516]
  最大満足度問題(MaxSAT)の解を近似できる単一の微分可能関数を導出する。 我々は,我々の微分可能な関数をモデル化する新しいニューラルネットワークアーキテクチャを提案し,バックプロパゲーションを用いてMaxSATを段階的に解く。
  論文  参考訳（メタデータ） (2024-02-06T02:33:00Z)
• SatLM: Satisfiability-Aided Language Models Using Declarative Prompting [68.40726892904286]
  本研究では,大規模言語モデル (LLM) の推論能力を向上させるために,新しい満足度支援言語モデリング (SatLM) 手法を提案する。 我々はLLMを用いて命令型プログラムではなく宣言型タスク仕様を生成し、既製の自動定理証明器を利用して最終解を導出する。 我々はSATLMを8つの異なるデータセット上で評価し、命令パラダイムにおいてプログラム支援されたLMよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-16T17:55:51Z)
• Interpretable Anomaly Detection via Discrete Optimization [1.7150329136228712]
  本稿では,シーケンシャルデータから本質的に解釈可能な異常検出を学習するためのフレームワークを提案する。 この問題は計算的に困難であることを示し,制約最適化に基づく2つの学習アルゴリズムを開発した。 プロトタイプ実装を用いて,提案手法は精度とF1スコアの点で有望な結果を示す。
  論文  参考訳（メタデータ） (2023-03-24T16:19:15Z)
• Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
  マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。 本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。 いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-14T18:18:02Z)
• Efficient Learning of Interpretable Classification Rules [34.27987659227838]
  本稿では,命題論理で表現可能な分類規則に対して,最大満足度(MaxSAT)に基づく解釈可能な学習フレームワークIMLIを提案する。 我々の実験では,IMLIは予測精度,解釈可能性,スケーラビリティの最良のバランスを達成している。
  論文  参考訳（メタデータ） (2022-05-14T00:36:38Z)
• Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis [63.53283025435107]
  CNFベースのSATとMaxSATは論理合成と検証システムの中心である。 そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-07-15T04:47:35Z)
• How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
  MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。 我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。 この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
  論文  参考訳（メタデータ） (2021-05-05T17:56:00Z)
• Learning Implicitly with Noisy Data in Linear Arithmetic [94.66549436482306]
  PAC-セマンティックスにおける暗黙学習を拡張し、線形算術の言語における間隔としきい値の不確実性を扱う。 最適線形プログラミング対象制約の学習に対する我々の暗黙的アプローチは、実際的な明示的アプローチよりも著しく優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-23T19:08:46Z)

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。