論文の概要: Algorithmic recourse under imperfect causal knowledge: a probabilistic approach

• arxiv url: http://arxiv.org/abs/2006.06831v3
• Date: Fri, 23 Oct 2020 11:31:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 09:17:23.953357
• Title: Algorithmic recourse under imperfect causal knowledge: a probabilistic approach
• Title（参考訳）: 不完全因果知識に基づくアルゴリズム的会話--確率論的アプローチ
• Authors: Amir-Hossein Karimi, Julius von K\"ugelgen, Bernhard Sch\"olkopf, Isabel Valera
• Abstract要約: 真の構造方程式にアクセスできることなく、リコースを保証することは不可能であることを示す。 本稿では,限られた因果的知識が与えられた場合,高い確率で会話を遂行する最適な行動を選択するための2つの確率的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 15.124107808802703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work has discussed the limitations of counterfactual explanations to recommend actions for algorithmic recourse, and argued for the need of taking causal relationships between features into consideration. Unfortunately, in practice, the true underlying structural causal model is generally unknown. In this work, we first show that it is impossible to guarantee recourse without access to the true structural equations. To address this limitation, we propose two probabilistic approaches to select optimal actions that achieve recourse with high probability given limited causal knowledge (e.g., only the causal graph). The first captures uncertainty over structural equations under additive Gaussian noise, and uses Bayesian model averaging to estimate the counterfactual distribution. The second removes any assumptions on the structural equations by instead computing the average effect of recourse actions on individuals similar to the person who seeks recourse, leading to a novel subpopulation-based interventional notion of recourse. We then derive a gradient-based procedure for selecting optimal recourse actions, and empirically show that the proposed approaches lead to more reliable recommendations under imperfect causal knowledge than non-probabilistic baselines.
• Abstract（参考訳）: 最近の研究は、アルゴリズム的リコースのアクションを推奨する反事実的説明の限界について議論し、特徴間の因果関係を考慮に入れる必要性を論じている。 残念ながら、実際には、真の構造因果モデルが一般に不明である。 本研究では,まず,真の構造方程式にアクセスせずに帰結を保証することは不可能であることを示す。 この制限に対処するため,我々は,限定的な因果知識(例えば因果グラフのみ)を与えられた高い確率で再現する最適な行動を選択するための2つの確率論的アプローチを提案する。 第一は加法ガウス雑音下での構造方程式に対する不確実性を捉え、平均ベイズモデルを用いて反実分布を推定する。 第二は、構造方程式に関する仮定を排除し、代わりに、リコースを求める個人に類似したリコース行動の平均効果を計算し、新しいサブポピュレーションに基づくリコースの介入的概念を生み出す。 提案手法は,非確率的ベースラインよりも不完全な因果的知識の下で,より信頼性の高いレコメンデーションに導かれることを実証的に示す。

関連論文リスト

• Non-Convex Robust Hypothesis Testing using Sinkhorn Uncertainty Sets [18.46110328123008]
  非破壊仮説テスト問題に対処する新しい枠組みを提案する。 目標は、最大数値リスクを最小限に抑える最適な検出器を探すことである。
  論文  参考訳（メタデータ） (2024-03-21T20:29:43Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Distributionally Robust Recourse Action [12.139222986297263]
  recourseアクションは、別の結果を受け取るためにインスタンスを修正できる特定の方法を示すことで、特定のアルゴリズム上の決定を説明することを目的としている。 本研究では、モデルシフトの混合の下で有効となる確率の高いリコースアクションを生成する分散ロバスト・リコース・アクション(DiRRAc)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-22T08:52:01Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• On the Trade-Off between Actionable Explanations and the Right to be Forgotten [21.26254644739585]
  データ削除要求の文脈におけるリコース無効化の問題について検討する。 トレーニングセットから最大2つのデータインスタンスを削除することで、一般的な最先端アルゴリズムによって出力されるすべてのリコースの最大95%を無効化できることを示す。
  論文  参考訳（メタデータ） (2022-08-30T10:35:32Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• A Causal Perspective on Meaningful and Robust Algorithmic Recourse [1.0804061924593267]
  一般的に、MLモデルは介入分布においてうまく予測できない。 本稿では,予測と目標の両方を改善する行動のみを推奨する有意義なアルゴリズム・リコース(MAR)を提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:37:54Z)
• Algorithmic Recourse in Partially and Fully Confounded Settings Through Bounding Counterfactual Effects [0.6299766708197883]
  アルゴリズムリコースは、自動意思決定システムからより好ましい結果を得るために、個人に実行可能なレコメンデーションを提供することを目的としている。 既存の手法では,データから学習した因果モデルを用いて,隠れたコンバウンディングや付加雑音などの仮定をモデル化する手法が提案されている。 本稿では、これらの仮定を緩和し、観測不能な共役および任意の構造方程式を可能にする離散確率変数に対する別のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-22T15:07:49Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Excursion Search for Constrained Bayesian Optimization under a Limited Budget of Failures [62.41541049302712]
  本稿では,所定の予算の失敗の関数として探索において許容されるリスクの量を制御する制御理論に基づく新しい意思決定者を提案する。 本アルゴリズムは, 種々の最適化実験において, 故障予算をより効率的に利用し, 一般に, 最先端の手法よりも, 後悔度を低くする。
  論文  参考訳（メタデータ） (2020-05-15T09:54:09Z)

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。