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
- Fast, accurate and lightweight sequential simulation-based inference
using Gaussian locally linear mappings [0.8799674132085932]
シミュレーションベース推論」は、難解な確率で複雑なモデルに取り組むために用いられる。
近年のSBI法では、ニューラルネットワーク(NN)を用いて、不可能な可能性関数と後部分布の近似的かつ表現的な構造を提供している。
本稿では,確率分布の構造化混合を用いて,確率分布と後部分布の両方を近似する手法を提案する。
論文 参考訳(メタデータ) (2024-03-12T09:48:17Z) - 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) - Physics-informed neural networks for operator equations with stochastic
data [1.8275108630751837]
統計モーメントの計算をデータを用いた演算子方程式に考慮する。
TPINNと呼ばれるPINNの応用は、既存のPINNのコードの変更を最小限にして、誘導テンソル作用素方程式を解くことができる。
論文 参考訳(メタデータ) (2022-11-15T20:52:01Z) - 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。
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。