Fugu-MT 論文翻訳(概要): CounteRGAN: Generating Realistic Counterfactuals with Residual Generative Adversarial Nets

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

GLANCE: Global Actions in a Nutshell for Counterfactual Explainability [10.25011737760687]
2つのアルゴリズムからなる多目的かつ適応的なフレームワークであるGLANCEを紹介する。 C-GLANCEは、特徴空間と反現実的アクションの空間の両方を考慮するクラスタリングアプローチを採用している。 T-GLANCEは柔軟性を高めるための追加機能を提供する。
論文参考訳（メタデータ） (2024-05-29T09:24:25Z)
CountARFactuals -- Generating plausible model-agnostic counterfactual explanations with adversarial random forests [9.598670034160763]
ARFは可視性尺度として機能するか、あるいは反現実的な説明を直接生成することができる。訓練や計算の効率化が容易で、連続データや分類データを自然に扱うことができ、空間性などのデシラタを直接的な方法で統合することができる。
論文参考訳（メタデータ） (2024-04-04T15:10:13Z)
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)
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)
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。