論文の概要: A Scalable Two Stage Approach to Computing Optimal Decision Sets
- arxiv url: http://arxiv.org/abs/2102.01904v1
- Date: Wed, 3 Feb 2021 06:51:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 17:42:14.688535
- Title: A Scalable Two Stage Approach to Computing Optimal Decision Sets
- Title（参考訳）: 最適決定集合計算のためのスケーラブルな2段階アプローチ
- Authors: Alexey Ignatiev, Edward Lam, Peter J. Stuckey, and Joao Marques-Silva
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 29.946141040012545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) is ubiquitous in modern life. Since it is being
deployed in technologies that affect our privacy and safety, it is often
crucial to understand the reasoning behind its decisions, warranting the need
for explainable AI. Rule-based models, such as decision trees, decision lists,
and decision sets, are conventionally deemed to be the most interpretable.
Recent work uses propositional satisfiability (SAT) solving (and its
optimization variants) to generate minimum-size decision sets. Motivated by
limited practical scalability of these earlier methods, this paper proposes a
novel approach to learn minimum-size decision sets by enumerating individual
rules of the target decision set independently of each other, and then solving
a set cover problem to select a subset of rules. The approach makes use of
modern maximum satisfiability and integer linear programming technologies.
Experiments on a wide range of publicly available datasets demonstrate the
advantage of the new approach over the state of the art in SAT-based decision
set learning.
- Abstract（参考訳）: 機械学習(ML)は現代社会に広く普及している。
プライバシーと安全性に影響を与えるテクノロジーに導入されているため、意思決定の背後にある理由を理解し、説明可能なAIの必要性を保証することが重要です。
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、命題満足度(SAT)の解法(および最適化の変種)を用いて最小サイズの決定セットを生成する。
本稿は,これらの手法の実用的スケーラビリティの制限に動機づけられ,目標決定の個々のルールをそれぞれ独立に列挙し,ルールのサブセットを選択するための集合被覆問題を解くことにより,最小サイズの決定集合を学習するための新しい手法を提案する。
このアプローチは、現代の最大満足度と整数線形プログラミング技術を利用する。
公開データセットの広い範囲に関する実験は、SATベースの意思決定セット学習における最新技術よりも新しいアプローチの利点を示しています。
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) - Tight Guarantees for Interactive Decision Making with the
Decision-Estimation Coefficient [51.37720227675476]
我々は、決定推定係数の新たな変種を導入し、それを用いて、3つの面における事前の作業を改善する新しい下界を導出する。
我々は同じ量でスケールした後悔について上界を与え、フォスター等における上界と下界の間のギャップの1つを除いて全てを閉じる。
この結果は、後悔のフレームワークとPACフレームワークの両方に適用され、我々が期待するいくつかの新しい分析とアルゴリズム設計技術を利用して、より広範な利用が期待できる。
論文 参考訳（メタデータ） (2023-01-19T18:24:08Z) - Sample-Efficient Multi-Objective Learning via Generalized Policy
Improvement Prioritization [8.836422771217084]
マルチオブジェクト強化学習(MORL)アルゴリズムは、エージェントが異なる好みを持つ可能性のあるシーケンシャルな決定問題に対処する。
本稿では、一般化政策改善(GPI)を用いて、原則的、正式に派生した優先順位付けスキームを定義する新しいアルゴリズムを提案する。
実験により,本手法は多目的タスクの挑戦において,最先端のMORLアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-01-18T20:54:40Z) - Efficient Learning of Interpretable Classification Rules [34.27987659227838]
本稿では,命題論理で表現可能な分類規則に対して,最大満足度(MaxSAT)に基づく解釈可能な学習フレームワークIMLIを提案する。
我々の実験では,IMLIは予測精度,解釈可能性,スケーラビリティの最良のバランスを達成している。
論文 参考訳（メタデータ） (2022-05-14T00:36:38Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Modularity in Reinforcement Learning via Algorithmic Independence in
Credit Assignment [79.5678820246642]
提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。
我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
論文 参考訳（メタデータ） (2021-06-28T21:29:13Z) - Learning MDPs from Features: Predict-Then-Optimize for Sequential
Decision Problems by Reinforcement Learning [52.74071439183113]
我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。
2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
論文 参考訳（メタデータ） (2021-06-06T23:53:31Z) - Goal Seeking Quadratic Unconstrained Binary Optimization [0.5439020425819]
本稿では,目標からのずれを最小限に抑える2種類の目標探索QUBOを提案する。
本論文では、タブー探索に基づく1フリップによる目標からの偏差を最小限に抑える2種類の目標探索QUBOについて述べる。
論文 参考訳（メタデータ） (2021-03-24T03:03:13Z) - Optimal Decision Lists using SAT [39.32513817522866]
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。
論文 参考訳（メタデータ） (2020-10-19T23:33:42Z) - 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)
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。