論文の概要: Applying Genetic Programming to Improve Interpretability in Machine Learning Models

• arxiv url: http://arxiv.org/abs/2005.09512v1
• Date: Mon, 18 May 2020 16:09:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 22:46:31.061656
• Title: Applying Genetic Programming to Improve Interpretability in Machine Learning Models
• Title（参考訳）: 遺伝的プログラミングを適用した機械学習モデルの解釈性向上
• Authors: Leonardo Augusto Ferreira and Frederico Gadelha Guimar\~aes and Rodrigo Silva
• Abstract要約: 我々は、GPX(Genematic Programming Explainer)という遺伝的プログラミングに基づくアプローチを提案する。 本手法は, 関心点近傍に位置する雑音を発生させ, その予測を説明すべきであり, 分析サンプルの局所的説明モデルに適合する。 以上の結果から,GPXは技術状況よりも複雑なモデルに対するより正確な理解を実現できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.3908287552267639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainable Artificial Intelligence (or xAI) has become an important research topic in the fields of Machine Learning and Deep Learning. In this paper, we propose a Genetic Programming (GP) based approach, named Genetic Programming Explainer (GPX), to the problem of explaining decisions computed by AI systems. The method generates a noise set located in the neighborhood of the point of interest, whose prediction should be explained, and fits a local explanation model for the analyzed sample. The tree structure generated by GPX provides a comprehensible analytical, possibly non-linear, symbolic expression which reflects the local behavior of the complex model. We considered three machine learning techniques that can be recognized as complex black-box models: Random Forest, Deep Neural Network and Support Vector Machine in twenty data sets for regression and classifications problems. Our results indicate that the GPX is able to produce more accurate understanding of complex models than the state of the art. The results validate the proposed approach as a novel way to deploy GP to improve interpretability.
• Abstract（参考訳）: 説明可能な人工知能(xAI)は、機械学習とディープラーニングの分野で重要な研究トピックとなっている。 本稿では,AIシステムによって計算される決定を説明する問題に対して,GPX(Genematic Programming Explainer)という遺伝的プログラミングに基づくアプローチを提案する。 本手法は,関心点近傍に位置する雑音セットを生成し,その予測を説明するとともに,解析試料の局所的説明モデルに適合させる。 GPXによって生成された木構造は、複素モデルの局所的な振る舞いを反映した理解可能な解析的、おそらく非線形で象徴的な表現を提供する。 我々は,ランダムフォレスト,ディープニューラルネットワーク,サポートベクターマシンという,複雑なブラックボックスモデルとして認識可能な3つの機械学習手法を検討した。 以上の結果から,GPXは技術状況よりも複雑なモデルのより正確な理解を実現できることが示唆された。 提案手法は,解釈可能性向上のためのGPの展開方法として検証された。

関連論文リスト

• Explaining Text Similarity in Transformer Models [52.571158418102584]
  説明可能なAIの最近の進歩により、トランスフォーマーの説明の改善を活用することで、制限を緩和できるようになった。 両線形類似性モデルにおける2次説明の計算のために開発された拡張であるBiLRPを用いて、NLPモデルにおいてどの特徴相互作用が類似性を促進するかを調べる。 我々の発見は、異なる意味的類似性タスクやモデルに対するより深い理解に寄与し、新しい説明可能なAIメソッドが、どのようにして深い分析とコーパスレベルの洞察を可能にするかを強調した。
  論文  参考訳（メタデータ） (2024-05-10T17:11:31Z)
• Explaining Genetic Programming Trees using Large Language Models [2.909922147268382]
  遺伝的プログラミング(GP)は、特に次元の減少に使用される場合、説明可能な結果を生成する可能性がある。 本研究では,eXplainable AI (XAI) と大言語モデル (LLMs) を活用することにより,GPに基づく非線形次元削減の解釈可能性を向上させる可能性について検討する。
  論文  参考訳（メタデータ） (2024-03-06T01:38:42Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Topological structure of complex predictions [15.207535648404765]
  ディープラーニングのような複雑な予測モデルは、機械学習、ニューラルネットワーク、AIモデルから一連のトレーニングデータに適合する出力である。 我々は、トポロジカル・データ分析を用いて、これらの複雑な予測モデルをトポロジカル・ビューを表す画像に変換する。 本手法は、異なる領域にわたる大規模なデータセットにスケールアップし、トレーニングデータのラベル付けエラーを検出し、画像分類の一般化を理解し、BRCA1遺伝子の病原性変異の予測を検査する。
  論文  参考訳（メタデータ） (2022-07-28T19:28:05Z)
• Gradient-based explanations for Gaussian Process regression and classification models [0.0]
  ガウス過程(GP)は確率的機械学習の信頼性と効果的な方法として証明されている。 近年の進歩により、GPを用いた複雑なデータモデリングはますます実現可能になっている。 機械学習モデルの意思決定プロセスを人間に透過的にすることを目的とした、いわゆる説明可能なアプローチへの関心が高まっています。
  論文  参考訳（メタデータ） (2022-05-25T14:11:00Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Less is More: A Call to Focus on Simpler Models in Genetic Programming for Interpretable Machine Learning [1.0323063834827415]
  解釈可能性(interpretability)は、ハイテイクなアプリケーションにおける機械学習モデルの安全かつ責任ある使用に不可欠である。 GP for IMLの研究は、低複雑さモデルにおける探索に重点を置く必要があると我々は主張する。
  論文  参考訳（メタデータ） (2022-04-05T08:28:07Z)
• Tree-based local explanations of machine learning model predictions, AraucanaXAI [2.9660372210786563]
  パフォーマンスと知性の間のトレードオフは、特に医学のような高度な応用において、しばしば直面する。 本稿では,ジェネリックMLモデルの予測に関する説明を生成するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-15T17:39:19Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
  本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。 我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
  論文  参考訳（メタデータ） (2020-11-17T12:39:44Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。