論文の概要: A general framework for inference on algorithm-agnostic variable importance

• arxiv url: http://arxiv.org/abs/2004.03683v2
• Date: Mon, 13 Sep 2021 23:37:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 00:52:06.412494
• Title: A general framework for inference on algorithm-agnostic variable importance
• Title（参考訳）: アルゴリズム非依存変数重要度に対する推論の汎用的枠組み
• Authors: Brian D. Williamson, Peter B. Gilbert, Noah R. Simon, Marco Carone
• Abstract要約: 本稿では,解釈可能なアルゴリズムに依存しない変数重要度に関する非推論のためのフレームワークを提案する。 本提案は,HIV-1感染に対する抗体調査から得られたデータを用いて,良好な手術特性を示す。
• 参考スコア（独自算出の注目度）: 3.441021278275805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many applications, it is of interest to assess the relative contribution of features (or subsets of features) toward the goal of predicting a response -- in other words, to gauge the variable importance of features. Most recent work on variable importance assessment has focused on describing the importance of features within the confines of a given prediction algorithm. However, such assessment does not necessarily characterize the prediction potential of features, and may provide a misleading reflection of the intrinsic value of these features. To address this limitation, we propose a general framework for nonparametric inference on interpretable algorithm-agnostic variable importance. We define variable importance as a population-level contrast between the oracle predictiveness of all available features versus all features except those under consideration. We propose a nonparametric efficient estimation procedure that allows the construction of valid confidence intervals, even when machine learning techniques are used. We also outline a valid strategy for testing the null importance hypothesis. Through simulations, we show that our proposal has good operating characteristics, and we illustrate its use with data from a study of an antibody against HIV-1 infection.
• Abstract（参考訳）: 多くのアプリケーションにおいて、機能(または機能のサブセット)の相対的な貢献を、応答を予測するという目標に向けて評価することに関心があります。 変数重要度評価に関する最近の研究は、与えられた予測アルゴリズムの範囲内での機能の重要性を記述することに重点を置いている。 しかし、このような評価は必ずしも特徴の予測可能性を特徴づけるものではなく、これらの特徴の本質的な価値を誤解を招く可能性がある。 この制限に対処するために,解釈可能なアルゴリズム非依存変数重要度に対する非パラメトリック推論の汎用フレームワークを提案する。 変数の重要性は、利用可能な全ての特徴のオラクル予測性と、検討中の特徴を除く全ての特徴との集団レベルのコントラストとして定義する。 本研究では,機械学習を用いた場合であっても,有効信頼区間の構築が可能な非パラメトリック効率的な推定手法を提案する。 また、null重要仮説をテストするための有効な戦略についても概説する。 本研究は,HIV-1感染に対する抗体調査から得られたデータを用いて,本提案の操作特性が良好であることをシミュレーションにより明らかにした。

関連論文リスト

• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
  時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。 本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• Factor Importance Ranking and Selection using Total Indices [0.0]
  要因の重要度は、特定の予測アルゴリズムに頼ることなく、機能の予測可能性を特徴づけるべきである。 本研究は,地球規模の感度分析から,予測可能性とソボ指標との等価性を示す。 ノイズデータから直接推定できる新しい一貫した推定器を導入する。
  論文  参考訳（メタデータ） (2024-01-01T16:02:06Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• A Dual-Perspective Approach to Evaluating Feature Attribution Methods [40.73602126894125]
  本稿では,直観的特性を明らかにする忠実度パラダイムの中で,音性と完全性という2つの新しい視点を提案する。 健全性は、どの特徴が真に予測的特徴であるかを評価する一方、完全性は、結果の帰属が予測的特徴をどの程度うまく明らかにするかを調べる。 これらのメトリクスを主流属性法に適用し、特徴属性法を解析・比較するための新しいレンズを提供する。
  論文  参考訳（メタデータ） (2023-08-17T12:41:04Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Demand Forecasting of Individual Probability Density Functions with Machine Learning [0.0]
  本研究では,予測分布の精度を評価する新しい手法を提案する。 教師付き機械学習手法であるCyclic Boostingを用いて、各予測が完全に説明可能であるように、完全な個別確率密度関数を予測できる。
  論文  参考訳（メタデータ） (2020-09-15T13:05:05Z)
• Towards a More Reliable Interpretation of Machine Learning Outputs for Safety-Critical Systems using Feature Importance Fusion [0.0]
  我々は新しい融合距離を導入し、それを最先端技術と比較する。 我々のアプローチは、地上の真実が知られている合成データで検証される。 その結果、我々の機能重要度アンサンブルフレームワークは、既存の方法に比べて、機能重要度エラーが15%少ないことがわかった。
  論文  参考訳（メタデータ） (2020-09-11T15:51:52Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)
• Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
  そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。 提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
  論文  参考訳（メタデータ） (2020-07-15T21:58:39Z)
• Evaluations and Methods for Explanation through Robustness Analysis [117.7235152610957]
  分析による特徴に基づく説明の新たな評価基準を確立する。 我々は、緩やかに必要であり、予測に十分である新しい説明を得る。 我々は、現在の予測をターゲットクラスに移動させる一連の特徴を抽出するために、説明を拡張します。
  論文  参考訳（メタデータ） (2020-05-31T05:52:05Z)
• Understanding Global Feature Contributions With Additive Importance Measures [14.50261153230204]
  我々は,各特徴に関連付けられた予測力を通じて,特徴の重要性を定義する視点について検討する。 予測力(モデルベースと普遍性)の2つの概念を導入し、付加的重要度尺度の枠組みを用いてこのアプローチを定式化する。 次に,機能的相互作用を考慮に入れながら予測力を定量化するモデルに依存しないSAGEを提案する。
  論文  参考訳（メタデータ） (2020-04-01T19:17:58Z)

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。