論文の概要: Ordered Counterfactual Explanation by Mixed-Integer Linear Optimization
- arxiv url: http://arxiv.org/abs/2012.11782v2
- Date: Sun, 14 Mar 2021 05:47:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:42:16.766987
- Title: Ordered Counterfactual Explanation by Mixed-Integer Linear Optimization
- Title（参考訳）: 混合整数線形最適化による順序付き対実説明
- Authors: Kentaro Kanamori, Takuya Takagi, Ken Kobayashi, Yuichi Ike, Kento
Uemura, Hiroki Arimura
- Abstract要約: Ordered Counterfactual Explanation (OrdCE) という新しいフレームワークを提案する。
本稿では,アクションの対と順序を特徴的相互作用に基づいて評価する新しい目的関数を提案する。
実データセットの数値実験により,OrdCEの非順序CE法と比較して有効性を示した。
- 参考スコア（独自算出の注目度）: 10.209615216208888
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Post-hoc explanation methods for machine learning models have been widely
used to support decision-making. One of the popular methods is Counterfactual
Explanation (CE), also known as Actionable Recourse, which provides a user with
a perturbation vector of features that alters the prediction result. Given a
perturbation vector, a user can interpret it as an "action" for obtaining one's
desired decision result. In practice, however, showing only a perturbation
vector is often insufficient for users to execute the action. The reason is
that if there is an asymmetric interaction among features, such as causality,
the total cost of the action is expected to depend on the order of changing
features. Therefore, practical CE methods are required to provide an
appropriate order of changing features in addition to a perturbation vector.
For this purpose, we propose a new framework called Ordered Counterfactual
Explanation (OrdCE). We introduce a new objective function that evaluates a
pair of an action and an order based on feature interaction. To extract an
optimal pair, we propose a mixed-integer linear optimization approach with our
objective function. Numerical experiments on real datasets demonstrated the
effectiveness of our OrdCE in comparison with unordered CE methods.
- Abstract（参考訳）: 機械学習モデルのポストホックな説明法は意思決定を支援するために広く用いられている。
一般的な方法の1つは、予測結果を変える特徴の摂動ベクトルをユーザに提供する、Actionable Recourse (CE) とも呼ばれる。
摂動ベクトルが与えられると、ユーザはそれを望ましい決定結果を得るための「作用」として解釈することができる。
しかし実際には、摂動ベクトルのみを示すことは、ユーザがアクションを実行するには不十分であることが多い。
その理由は、因果関係のような機能間で非対称な相互作用がある場合、アクションの総コストは機能変更の順序に依存することが期待されるためである。
したがって、実用的なCE法は摂動ベクトルに加えて、特徴の変化の適切な順序を提供する必要がある。
そこで本研究では,OrdCE (Ordered Counterfactual Explanation) と呼ばれる新しいフレームワークを提案する。
本稿では,アクションの対と順序を特徴的相互作用に基づいて評価する新しい目的関数を提案する。
最適ペアを抽出するために,目的関数を用いた混合整数線形最適化手法を提案する。
実データセットの数値実験により,OrdCEの非順序CE法と比較して有効性を示した。
関連論文リスト
- Simplifying debiased inference via automatic differentiation and probabilistic programming [1.0152838128195467]
「Dimple」は、興味のパラメータを表す入力コンピュータコードとして、効率的な推定器を出力する。
概念実証Pythonの実装を提供し、パラメータ仕様から数行のコードで効率的に推定できる方法の例を紹介します。
論文 参考訳（メタデータ） (2024-05-14T14:56:54Z) - Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。
UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。
UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
論文 参考訳（メタデータ） (2024-02-26T20:09:44Z) - Adaptive Ensemble Q-learning: Minimizing Estimation Bias via Error
Feedback [31.115084475673793]
アンサンブル法はQ-ラーニングにおける過大評価問題を緩和するための有望な方法である。
推定バイアスはアンサンブルサイズに大きく依存していることが知られている。
本研究では, (a) アンサンブルサイズを柔軟に制御するためのフィードバックとなる近似誤差特性と, (b) 推定バイアスを最小化するためのアンサンブルサイズ適応の2つの重要なステップを考案する。
論文 参考訳（メタデータ） (2023-06-20T22:06:14Z) - Finding Regions of Counterfactual Explanations via Robust Optimization [0.0]
反事実的説明 (CE) は、モデルの決定が変化する最小の摂動データポイントである。
既存のメソッドのほとんどは1つのCEしか提供できないが、ユーザにとっては達成できないかもしれない。
特徴がわずかに乱れた後も有効であるロバストCEを計算するための反復的手法を導出する。
論文 参考訳（メタデータ） (2023-01-26T14:06:26Z) - Object Representations as Fixed Points: Training Iterative Refinement
Algorithms with Implicit Differentiation [88.14365009076907]
反復的洗練は表現学習に有用なパラダイムである。
トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
論文 参考訳（メタデータ） (2022-07-02T10:00:35Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳（メタデータ） (2022-05-31T04:57:06Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳（メタデータ） (2022-02-23T11:23:59Z) - Causality-based Counterfactual Explanation for Classification Models [11.108866104714627]
本稿では,プロトタイプに基づく対実的説明フレームワーク(ProCE)を提案する。
ProCEは、カウンターファクトデータの特徴の根底にある因果関係を保存することができる。
さらに,提案手法を応用した多目的遺伝的アルゴリズムを考案した。
論文 参考訳（メタデータ） (2021-05-03T09:25:59Z) - Consequence-aware Sequential Counterfactual Generation [5.71097144710995]
逐次的反事実生成のためのモデル非依存手法を提案する。
私たちのアプローチは、コストの少ないソリューションを生み出し、より効率的で、ユーザが選択するさまざまなソリューションセットを提供します。
論文 参考訳（メタデータ） (2021-04-12T16:10:03Z) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳（メタデータ） (2020-11-05T18:43:59Z)
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。