論文の概要: CounteRGAN: Generating Realistic Counterfactuals with Residual
Generative Adversarial Nets
- arxiv url: http://arxiv.org/abs/2009.05199v2
- Date: Thu, 27 May 2021 06:25:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 20:42:19.762085
- Title: CounteRGAN: Generating Realistic Counterfactuals with Residual
Generative Adversarial Nets
- Title(参考訳): CounteRGAN:Residual Generative Adversarial Netsを用いた現実的対物生成
- Authors: Daniel Nemirovsky, Nicolas Thiebaut, Ye Xu, Abhishek Gupta
- Abstract要約: カウンターファクトは、より望ましい予測結果をもたらす入力摂動を識別することができる。
現在のアプローチは、適度な動作性で望ましい結果を達成するが、リアリズムと遅延の点で非常に制限されている。
本稿では,Residual GAN(Residual GAN, RGAN)を紹介する。
- 参考スコア(独自算出の注目度): 4.907688323909156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevalence of machine learning models in various industries has led to
growing demands for model interpretability and for the ability to provide
meaningful recourse to users. For example, patients hoping to improve their
diagnoses or loan applicants seeking to increase their chances of approval.
Counterfactuals can help in this regard by identifying input perturbations that
would result in more desirable prediction outcomes. Meaningful counterfactuals
should be able to achieve the desired outcome, but also be realistic,
actionable, and efficient to compute. Current approaches achieve desired
outcomes with moderate actionability but are severely limited in terms of
realism and latency. To tackle these limitations, we apply Generative
Adversarial Nets (GANs) toward counterfactual search. We also introduce a novel
Residual GAN (RGAN) that helps to improve counterfactual realism and
actionability compared to regular GANs. The proposed CounteRGAN method utilizes
an RGAN and a target classifier to produce counterfactuals capable of providing
meaningful recourse. Evaluations on two popular datasets highlight how the
CounteRGAN is able to overcome the limitations of existing methods, including
latency improvements of >50x to >90,000x, making meaningful recourse available
in real-time and applicable to a wide range of domains.
- Abstract(参考訳): さまざまな業界で機械学習モデルが普及したことで、モデル解釈性や有意義なリコースを提供する能力に対する需要が高まっている。
例えば、診断やローン申請者の改善を望む患者は、承認の機会を増やそうとしている。
ファクトファクトは、より望ましい予測結果をもたらす入力摂動を特定することで、この観点から役立つ。
意味のある反事実は、望ましい結果を達成するだけでなく、現実的で、実行可能で、計算が効率的であるべきです。
現在のアプローチは、適度な動作性で望ましい結果を達成するが、リアリズムと遅延の点で非常に制限されている。
これらの制約に対処するために,GAN(Generative Adversarial Nets)を対実探索に適用する。
また,正規のganと比較して反事実主義や行動可能性を改善するための新しい残余gan(rgan)についても紹介する。
提案手法では, RGAN とターゲット分類器を用いて, 意味のある会話を提供することができる偽物を生成する。
一般的な2つのデータセットの評価では、CounteRGANが50xから90000xまでのレイテンシの改善など、既存のメソッドの制限を克服し、リアルタイムに有意義なリコースを可能とし、幅広いドメインに適用することが可能であることを強調している。
関連論文リスト
- Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。
オラクル形式は影響関数の一貫した近似であることを示す。
次に、平均二乗誤差の観点から総合収束解析を行う。
論文 参考訳(メタデータ) (2023-09-22T12:18:53Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
本稿では,ニューラルモデルによる反事実文の評価について検討する。
まず、神経因果モデル(NCM)が十分に表現可能であることを示す。
第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-09-30T18:29:09Z) - Probabilistically Robust Recourse: Navigating the Trade-offs between
Costs and Robustness in Algorithmic Recourse [34.39887495671287]
本稿では,達成された(反感)と所望のリコース無効率とのギャップを同時に最小化する目的関数を提案する。
我々は,任意のインスタンスに対応するリコース無効化率を特徴付けるために,新しい理論的結果を開発した。
複数の実世界のデータセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2022-03-13T21:39:24Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-12T18:13:45Z) - Prb-GAN: A Probabilistic Framework for GAN Modelling [20.181803514993778]
本稿では,ネットワークパラメータ上の分布を生成するためにドロップアウトを用いた新しいバリエーションを提案する。
我々の手法は非常にシンプルで、既存のGANアーキテクチャの変更はほとんど必要ありません。
論文 参考訳(メタデータ) (2021-07-12T08:04:13Z) - Towards Robust and Reliable Algorithmic Recourse [11.887537452826624]
モデルシフトに堅牢なリコースを見つけるための敵対的トレーニングを活用する新しいフレームワークであるRObust Algorithmic Recourse(ROAR)を提案します。
また,モデルシフトにロバストなリコースの構築の重要性を強調する詳細な理論解析を行う。
論文 参考訳(メタデータ) (2021-02-26T17:38:52Z) - On Duality Gap as a Measure for Monitoring GAN Training [2.733700237741334]
GAN(Generative adversarial Network)は、複雑なデータ分散を学習するための最もポピュラーなディープラーニングモデルのひとつです。
本稿では,この制限を理論的に理解し,双対性ギャップに対するより信頼性の高い推定法を提案する。
論文 参考訳(メタデータ) (2020-12-12T04:32:52Z) - Beyond Individualized Recourse: Interpretable and Interactive Summaries
of Actionable Recourses [14.626432428431594]
本稿では,Actionable Recourse Agnostic (AReS) と呼ばれる新しいモデルフレームワークを提案する。
説明文の正当性と解釈可能性の両面を同時に最適化する新たな目的を定式化する。
当社のフレームワークは,ブラックボックスモデルに対応するリコースの包括的概要を意思決定者に提供する。
論文 参考訳(メタデータ) (2020-09-15T15:14:08Z) - ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation [50.779498955162644]
生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。
その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
論文 参考訳(メタデータ) (2020-06-11T16:15:06Z) - Estimating the Effects of Continuous-valued Interventions using
Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。
我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。
継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-02-27T18:46:21Z)
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。