論文の概要: Optimal Decision Lists using SAT

• arxiv url: http://arxiv.org/abs/2010.09919v1
• Date: Mon, 19 Oct 2020 23:33:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 21:24:01.485244
• Title: Optimal Decision Lists using SAT
• Title（参考訳）: SATを用いた最適決定リスト
• Authors: Jinqiang Yu, Alexey Ignatiev, Pierre Le Bodic, Peter J. Stuckey
• Abstract要約: 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。
• 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: Decision lists are one of the most easily explainable machine learning models. Given the renewed emphasis on explainable machine learning decisions, this machine learning model is increasingly attractive, combining small size and clear explainability. In this paper, we show for the first time how to construct optimal "perfect" decision lists which are perfectly accurate on the training data, and minimal in size, making use of modern SAT solving technology. We also give a new method for determining optimal sparse decision lists, which trade off size and accuracy. We contrast the size and test accuracy of optimal decisions lists versus optimal decision sets, as well as other state-of-the-art methods for determining optimal decision lists. We also examine the size of average explanations generated by decision sets and decision lists.
• Abstract（参考訳）: 決定リストは最も簡単に説明できる機械学習モデルの1つである。 説明可能な機械学習の決定が新たに強調されたことを踏まえると、この機械学習モデルはますます魅力的になり、小さなサイズと明確な説明可能性を組み合わせている。 本稿では,最新のSAT問題解決技術を用いて,トレーニングデータに対して完全かつ最小限の精度で最適な「完全」決定リストを構築する方法について,初めて述べる。 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新しい手法を提案する。 最適な決定リストと最適な決定セットのサイズとテストの正確さ、および最適な決定リストを決定するための他の最先端の方法を比較した。 また、意思決定と決定リストによって生成される平均説明のサイズについても検討する。

関連論文リスト

• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and Optimization [59.386153202037086]
  Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。 本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-22T01:32:06Z)
• Decision-aid or Controller? Steering Human Decision Makers with Algorithms [5.449173263947196]
  人間の意思決定者について学習し、最終決定に影響を与えるために「個人化された推薦」を提供する意思決定支援アルゴリズムについて検討する。 このようなアルゴリズムの潜在的な応用とその社会的意味について論じる。
  論文  参考訳（メタデータ） (2023-03-23T23:24:26Z)
• Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
  データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。 本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。 在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-24T15:25:16Z)
• Learning To Cut By Looking Ahead: Cutting Plane Selection via Imitation Learning [80.45697245527019]
  我々は、最良限の改善をもたらすカットを明示的に目指している欲求選択規則が、カット選択に対して強い決定を下すことを示す。 本研究では,頭頂部の専門家を対象とした模擬学習のための新しいニューラルアーキテクチャ(NeuralCut)を提案する。
  論文  参考訳（メタデータ） (2022-06-27T16:07:27Z)
• Speed, Quality, and the Optimal Timing of Complex Decisions: Field Evidence [0.0]
  ムーブ・バイ・ムーブデータは、決定時間と意思決定品質に関する極めて詳細な情報を提供する。 結果は、より高速な決定がより良いパフォーマンスに結びついていることを明らかにします。
  論文  参考訳（メタデータ） (2022-01-26T08:29:05Z)
• (Machine) Learning to Improve the Empirical Performance of Discrete Algorithms [0.0]
  我々は、人間の専門家の意見なしに、与えられたデータに対して最適なアルゴリズムを選択するために機械学習手法を訓練する。 我々のフレームワークは、固定されたデフォルトのピボットルールを使用するだけで全体のパフォーマンスを改善する様々なピボットルールを推奨しています。 最短経路問題に対して、訓練されたモデルは大幅に改善され、我々の選択は最適な選択から平均.7パーセント離れている。
  論文  参考訳（メタデータ） (2021-09-29T08:33:09Z)
• 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)
• Computing Optimal Decision Sets with SAT [39.32513817522866]
  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。
  論文  参考訳（メタデータ） (2020-07-29T22:35:22Z)
• Learning with Differentiable Perturbed Optimizers [54.351317101356614]
  本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。 提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。 本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
  論文  参考訳（メタデータ） (2020-02-20T11:11:32Z)

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。