論文の概要: X-SHAP: towards multiplicative explainability of Machine Learning
- arxiv url: http://arxiv.org/abs/2006.04574v2
- Date: Mon, 22 Jun 2020 08:05:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 00:42:23.549164
- Title: X-SHAP: towards multiplicative explainability of Machine Learning
- Title(参考訳): X-SHAP:機械学習の乗法的説明可能性に向けて
- Authors: Luisa Bouneder, Yannick L\'eo and Aim\'e Lachapelle
- Abstract要約: 本稿では,局所的および大域的予測のための変数の乗法的寄与を評価するモデルに依存しないX-SHAPを提案する。
一般的な線形モデルが伝統的に使われている分野(保険や生物学など)で発生する因子の乗法的相互作用を証明している。
- 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 paper introduces X-SHAP, a model-agnostic method that assesses
multiplicative contributions of variables for both local and global
predictions. This method theoretically and operationally extends the so-called
additive SHAP approach. It proves useful underlying multiplicative interactions
of factors, typically arising in sectors where Generalized Linear Models are
traditionally used, such as in insurance or biology. We test the method on
various datasets and propose a set of techniques based on individual X-SHAP
contributions to build aggregated multiplicative contributions and to capture
multiplicative feature importance, that we compare to traditional techniques.
- Abstract(参考訳): 本稿では,局所的および大域的予測のための変数の乗法的寄与を評価するモデルに依存しないX-SHAPを提案する。
この手法は理論上、操作上、いわゆる加法シャップアプローチを拡張する。
一般的な線形モデルが伝統的に使われている分野(保険や生物学など)で発生する因子の乗法的相互作用を証明している。
本手法を各種データセット上で検証し,個々のX-SHAPコントリビューションに基づいて,集約型多元的コントリビューションを構築し,従来の手法と比較した多元的特徴重要度を捉える手法を提案する。
関連論文リスト
- Multiply Robust Estimation for Local Distribution Shifts with Multiple Domains [9.429772474335122]
我々は、全人口の複数のセグメントにまたがってデータ分布が変化するシナリオに焦点を当てる。
そこで本研究では,各セグメントのモデル性能を改善するために,二段階多重ロバスト推定法を提案する。
本手法は,市販の機械学習モデルを用いて実装されるように設計されている。
論文 参考訳(メタデータ) (2024-02-21T22:01:10Z) - A unified framework for learning with nonlinear model classes from
arbitrary linear samples [0.7366405857677226]
この研究は、与えられたモデルクラスを使用してトレーニングデータから未知のオブジェクトを学ぶという根本的な問題を考察する。
任意のヒルベルト空間のオブジェクト、訓練データとしての(ランダムな)線形測定の一般型、非線形モデルクラスの一般型を可能にする統一的なフレームワークを導入する。
本稿では, ランダムサンプリングによる行列スケッチ, 等方的ベクトルを用いた圧縮センシング, 回帰学習, 生成モデルによる圧縮センシングなどの例を示す。
論文 参考訳(メタデータ) (2023-11-25T00:43:22Z) - A Bayesian Methodology for Estimation for Sparse Canonical Correlation [0.0]
標準相関解析(CCA)は、データセット間の関係を識別する統計手法である。
ScSCCAは、異なるデータモダリティ間の相互関係の堅牢なモデリングを目的とした、急速に発展する方法論分野である。
ベイズ無限因子モデルを用いて,ロバストな推定を実現する新しいSCSCCA手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T15:14:25Z) - Characterizing the contribution of dependent features in XAI methods [6.990173577370281]
本稿では,XAI特徴量ランキング法の結果を,予測者間の依存性を考慮に入れたプロキシを提案する。
提案手法はモデルに依存しないという利点があり、コリニアリティが存在する場合のモデルにおける各予測器の影響を計算するのが簡単である。
論文 参考訳(メタデータ) (2023-04-04T11:25:57Z) - Multivariate Systemic Risk Measures and Computation by Deep Learning
Algorithms [63.03966552670014]
本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。
私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
論文 参考訳(メタデータ) (2023-02-02T22:16:49Z) - Federated Learning Aggregation: New Robust Algorithms with Guarantees [63.96013144017572]
エッジでの分散モデルトレーニングのために、フェデレートラーニングが最近提案されている。
本稿では,連合学習フレームワークにおける集約戦略を評価するために,完全な数学的収束解析を提案する。
損失の値に応じてクライアントのコントリビューションを差別化することで、モデルアーキテクチャを変更できる新しい集約アルゴリズムを導出する。
論文 参考訳(メタデータ) (2022-05-22T16:37:53Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳(メタデータ) (2021-07-23T06:57:08Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用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) (2020-10-06T04:28:19Z) - Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。
本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。
本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-13T18:05:36Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳(メタデータ) (2020-06-05T20:54:11Z) - Bidirectional Generative Modeling Using Adversarial Gradient Estimation [15.270525239234072]
異なる発散が勾配評価の点で類似したアルゴリズムを誘導することを示す。
本稿では,原則付き$f$-divergenceに基づく生成モデリング手法の一般的なレシピを提案する。
論文 参考訳(メタデータ) (2020-02-21T07:28:56Z)
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。