Fugu-MT 論文翻訳(概要): Explaining Naive Bayes and Other Linear Classifiers with Polynomial Time and Delay

論文の概要: Explaining Naive Bayes and Other Linear Classifiers with Polynomial Time and Delay

arxiv url: http://arxiv.org/abs/2008.05803v2
Date: Wed, 4 Nov 2020 09:48:14 GMT
ステータス: 処理完了
システム内更新日: 2022-10-30 22:37:55.491569
Title: Explaining Naive Bayes and Other Linear Classifiers with Polynomial Time and Delay
Title（参考訳）: 多項式時間と遅延を伴うナイーブベイズおよび他の線形分類器の説明
Authors: Joao Marques-Silva, Thomas Gerspacher, Martin C. Cooper, Alexey Ignatiev, Nina Narodytska
Abstract要約: PI-Explanations はログ線形時間で実現できることを示す。また, PI-Explanationsは遅延時間で得られることを示す。
参考スコア（独自算出の注目度）: 30.014888494169465
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent work proposed the computation of so-called PI-explanations of Naive Bayes Classifiers (NBCs). PI-explanations are subset-minimal sets of feature-value pairs that are sufficient for the prediction, and have been computed with state-of-the-art exact algorithms that are worst-case exponential in time and space. In contrast, we show that the computation of one PI-explanation for an NBC can be achieved in log-linear time, and that the same result also applies to the more general class of linear classifiers. Furthermore, we show that the enumeration of PI-explanations can be obtained with polynomial delay. Experimental results demonstrate the performance gains of the new algorithms when compared with earlier work. The experimental results also investigate ways to measure the quality of heuristic explanations
Abstract（参考訳）: 最近の研究は、ナイーブベイズ分類器 (nbcs) のいわゆる pi-explanation の計算を提案している。 pi-explanation は予測に十分である特徴値ペアの部分最小集合であり、時間と空間において最悪の指数関数的なアルゴリズムで計算されている。対照的に、NBC の 1 つの PI-Explanation の計算は、ログ線形時間で行うことができ、線形分類器のより一般的なクラスにも適用可能であることを示す。さらに, PI-Explanationの列挙は多項式遅延によって得られることを示す。実験の結果,従来の研究と比較すると,新しいアルゴリズムの性能向上が示された。実験結果は, ヒューリスティックな説明の質を測定する方法も検討した。

関連論文リスト

Feature-Specific Coefficients of Determination in Tree Ensembles [10.968795392216606]
ツリーアンサンブル法は、解釈が難しいモデルで予測を期待できる。最近のShapley値の導入は、予測された値に対する高速な計算アルゴリズムを伴って、興味をそそる結果を示している。本稿では,2次損失に関するShapley値を計算する際に,計算複雑性を時間に短縮する効率的なアルゴリズムQ-SHAPを提案する。
論文参考訳（メタデータ） (2024-07-03T21:27:29Z)
Distribution Learning Meets Graph Structure Sampling [10.095280456019367]
この研究は、PAC学習高次元モデルとグラフ構造の(最適)カウントとサンプリングのタスクの間に新しいリンクを確立する。予測者の予測から得られた平均的後悔は、予測値と予測値との予測KLのばらつきに有効であることを示す。 EWAとRWMの残念な境界は、ベイズネットを学習するための新しいサンプル複雑性をもたらす。
論文参考訳（メタデータ） (2024-05-13T16:47:05Z)
Tractable Bounding of Counterfactual Queries by Knowledge Compilation [51.47174989680976]
本稿では, パール構造因果モデルにおいて, 因果関係などの部分的特定可能なクエリのバウンダリングの問題について議論する。最近提案された反復EMスキームは初期化パラメータをサンプリングしてそれらの境界を内部近似する。シンボルパラメータを実際の値に置き換えた回路構造を,単一のシンボル知識コンパイルによって得られることを示す。
論文参考訳（メタデータ） (2023-10-05T07:10:40Z)
Outlier Explanation via Sum-Product Networks [10.1303427221932]
外見的な説明は、サンプルと通常のデータとを区別する一連の特徴を識別するタスクである。既存の手法は特徴部分集合の空間におけるビームサーチに基づいている。 Sum-Product Networks (SPNs) に基づく新しい外乱説明アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-07-18T07:47:36Z)
A Fresh Approach to Evaluate Performance in Distributed Parallel Genetic Algorithms [5.375634674639956]
本研究は,多集団並列遺伝的アルゴリズム(PGA)の行動評価と解析のための新しいアプローチを提案する。特に,観測された性能曲線を表す数学的モデルを提案することにより,それらの数値的および計算的挙動を深く研究する。実際の数値とそれに適合する数値モデルに基づく結論は、彼らのスピードアップ、実行時間、数値的な努力を理解するための新しい方法を表している。
論文参考訳（メタデータ） (2021-06-18T05:07:14Z)
On Efficiently Explaining Graph-Based Classifiers [16.199563506727316]
本稿では,決定木 (DT) が解釈可能であるだけでなく,DT の 1 つのPI-Explanation を計算するためのリアルタイムアルゴリズムを提案する。さらに,1つの対照的な説明を計算するためのリアルタイムアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-02T17:55:41Z)
Sublinear Least-Squares Value Iteration via Locality Sensitive Hashing [49.73889315176884]
本稿では、実行時の複雑さをアクション数にサブリニアに持つ最初の証明可能なLeast-Squares Value Iteration(LSVI)アルゴリズムを提示する。我々は, 近似最大内積探索理論と強化学習の後悔分析との関係を構築する。
論文参考訳（メタデータ） (2021-05-18T05:23:53Z)
Quantum Algorithms for Data Representation and Analysis [68.754953879193]
機械学習におけるデータ表現のための固有problemsの解を高速化する量子手続きを提供する。これらのサブルーチンのパワーと実用性は、主成分分析、対応解析、潜在意味解析のための入力行列の大きさのサブ線形量子アルゴリズムによって示される。その結果、入力のサイズに依存しない実行時のパラメータは妥当であり、計算モデル上の誤差が小さいことが示され、競合的な分類性能が得られる。
論文参考訳（メタデータ） (2021-04-19T00:41:43Z)
Activation Relaxation: A Local Dynamical Approximation to Backpropagation in the Brain [62.997667081978825]
活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
論文参考訳（メタデータ） (2020-09-11T11:56:34Z)
A Constraint-Based Algorithm for the Structural Learning of Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文参考訳（メタデータ） (2020-07-07T07:34:09Z)
Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。