論文の概要: Computing Optimal Decision Sets with SAT

• arxiv url: http://arxiv.org/abs/2007.15140v1
• Date: Wed, 29 Jul 2020 22:35:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 20:46:36.920936
• Title: Computing Optimal Decision Sets with SAT
• Title（参考訳）: SATによる最適決定セットの計算
• Authors: Jinqiang Yu, Alexey Ignatiev, Peter J. Stuckey, Pierre Le Bodic
• Abstract要約: ほとんどの説明可能な機械学習モデルは、決定ルールを使用する。 人間が容易に理解できるように、これらのルールは簡潔でなければならない。 本稿では,無秩序なルールを持つモデルである決定集合に着目し,各予測を1つのルールで説明する。
• 参考スコア（独自算出の注目度）: 39.32513817522866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As machine learning is increasingly used to help make decisions, there is a demand for these decisions to be explainable. Arguably, the most explainable machine learning models use decision rules. This paper focuses on decision sets, a type of model with unordered rules, which explains each prediction with a single rule. In order to be easy for humans to understand, these rules must be concise. Earlier work on generating optimal decision sets first minimizes the number of rules, and then minimizes the number of literals, but the resulting rules can often be very large. Here we consider a better measure, namely the total size of the decision set in terms of literals. So we are not driven to a small set of rules which require a large number of literals. We provide the first approach to determine minimum-size decision sets that achieve minimum empirical risk and then investigate sparse alternatives where we trade accuracy for size. By finding optimal solutions we show we can build decision set classifiers that are almost as accurate as the best heuristic methods, but far more concise, and hence more explainable.
• Abstract（参考訳）: 機械学習が意思決定の助けになるようになれば、これらの決定は説明可能である必要がある。 おそらく最も説明可能な機械学習モデルは、決定ルールを使用する。 本稿では,無秩序なルールを持つモデルである決定集合に着目し,各予測を単一規則で説明する。 人間が容易に理解できるように、これらのルールは簡潔でなければならない。 初期の最適決定セットの作成作業は、まずルールの数を最小化し、次にリテラルの数を最小化するが、結果となるルールは、しばしば非常に大きい。 ここでは、リテラルの観点で設定された決定の総サイズを、よりよい尺度として検討する。 したがって、多くのリテラルを必要とする小さなルールセットに動かされるわけではありません。 実験的リスクを最小化する最小サイズ決定セットを決定するための最初のアプローチを提案し、その上で、サイズと精度を交換するスパース代替案について検討する。 最適解を見つけることによって、最良のヒューリスティックな方法とほぼ同等に正確であるが、はるかに簡潔で説明しやすい決定集合分類器を構築することができる。

関連論文リスト

• Minimax-Bayes Reinforcement Learning [2.7456483236562437]
  本稿では,様々な強化学習問題に対するミニマックス・ベイズ解について検討する。 最悪のケースは設定に依存するが、対応するミニマックスポリシーは以前の標準(すなわち一様)を前提とするものよりも堅牢である。
  論文  参考訳（メタデータ） (2023-02-21T17:10:21Z)
• Machine Learning with Probabilistic Law Discovery: A Concise Introduction [77.34726150561087]
  Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。 PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。 本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
  論文  参考訳（メタデータ） (2022-12-22T17:40:13Z)
• A Nested Genetic Algorithm for Explaining Classification Data Sets with Decision Rules [3.8271082752302137]
  我々は、分類データセットを最もよく説明する一連の決定ルール(ルールセット)を自動的に抽出することを目指している。 まず、データセットでトレーニングされた一連の決定ツリーから、大規模な決定ルールを抽出する。 ルールセットは簡潔で正確で、最大カバレッジと最小数の矛盾を持つべきである。
  論文  参考訳（メタデータ） (2022-08-23T11:42:15Z)
• Calibrating Predictions to Decisions: A Novel Approach to Multi-Class Calibration [118.26862029820447]
  我々は、下流の意思決定者に対して、予測された分布と真の分布を区別不能にする必要がある新しい概念、即時校正を導入します。 決定キャリブレーションは、皮膚病変の判定と、現代のニューラルネットワークを用いたImageNet分類を改善する。
  論文  参考訳（メタデータ） (2021-07-12T20:17:28Z)
• Modularity in Reinforcement Learning via Algorithmic Independence in Credit Assignment [79.5678820246642]
  提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。 我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
  論文  参考訳（メタデータ） (2021-06-28T21:29:13Z)
• A Scalable Two Stage Approach to Computing Optimal Decision Sets [29.946141040012545]
  決定木、決定リスト、決定セットといったルールベースのモデルは、伝統的に最も解釈可能なものとみなされる。 最近の研究は、最小サイズの決定セットを生成するために、命題満足度(SAT)の解を用いている。 本稿では,目的とする決定セットの個々のルールを互いに独立して列挙し,ルールのサブセットを選択することで,最小限の決定セットを学習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） (2021-02-03T06:51:49Z)
• Optimal Decision Lists using SAT [39.32513817522866]
  トレーニングデータに対して完全に正確である最適な「完璧な」意思決定リストを構築する方法について、初めて紹介する。 また、サイズと精度をトレードオフする最適なスパース決定リストを決定するための新しい方法を提案する。
  論文  参考訳（メタデータ） (2020-10-19T23:33:42Z)
• Diverse Rule Sets [20.170305081348328]
  ルールベースのシステムは、直感的なif-then表現のためにルネッサンスを経験しています。 本稿では,ルール間の重なり合いを最適化することで,多様なルールセットを推定する新しい手法を提案する。 次に、高い差別性を持ち、重複が少ない規則をサンプリングする効率的なランダム化アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2020-06-17T14:15:25Z)
• An Information-Theoretic Approach to Personalized Explainable Machine Learning [92.53970625312665]
  本稿では,予測とユーザ知識のための簡易確率モデルを提案する。 説明と予測の間の条件付き相互情報による説明の効果を定量化する。
  論文  参考訳（メタデータ） (2020-03-01T13:06:29Z)

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。