論文の概要: $PredDiff$: Explanations and Interactions from Conditional Expectations

• arxiv url: http://arxiv.org/abs/2102.13519v1
• Date: Fri, 26 Feb 2021 14:46:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 14:07:35.176370
• Title: $PredDiff$: Explanations and Interactions from Conditional Expectations
• Title（参考訳）: $PredDiff$:条件付き期待からの説明とインタラクション
• Authors: Stefan Bl\"ucher and Nils Strodthoff
• Abstract要約: preddiff$ は確率論に根ざしたモデルに依存しない局所帰属法である。 本研究では,$preddiff$の特性を明確にし,元の形式的拡張をいくつか提示する。
• 参考スコア（独自算出の注目度）: 0.3655021726150368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: $PredDiff$ is a model-agnostic, local attribution method that is firmly rooted in probability theory. Its simple intuition is to measure prediction changes when marginalizing out feature variables. In this work, we clarify properties of $PredDiff$ and put forward several extensions of the original formalism. Most notably, we introduce a new measure for interaction effects. Interactions are an inevitable step towards a comprehensive understanding of black-box models. Importantly, our framework readily allows to investigate interactions between arbitrary feature subsets and scales linearly with their number. We demonstrate the soundness of $PredDiff$ relevances and interactions both in the classification and regression setting. To this end, we use different analytic, synthetic and real-world datasets.
• Abstract（参考訳）: $PredDiff$ は確率論をしっかりと根づけたモデルに依存しない局所帰属法である。 その単純な直感は、特徴変数を疎外する際の予測変化を測定することである。 本研究では,$preddiff$の特性を明確にし,元の形式的拡張をいくつか提示する。 特に、相互作用効果の新しい尺度を紹介します。 相互作用はブラックボックスモデルの包括的理解に向けた必然的なステップである。 重要な点として,我々のフレームワークは任意の特徴部分集合間の相互作用や,その数と線形にスケールすることを可能にする。 分類と回帰設定の両方で$PredDiff$関連性と相互作用の健全性を実証します。 そのためには、さまざまな分析、合成、実世界のデータセットを使用します。

関連論文リスト

• Partial Identifiability and Misspecification in Inverse Reinforcement Learning [64.13583792391783]
  Inverse Reinforcement Learning の目的は、報酬関数 $R$ をポリシー $pi$ から推論することである。 本稿では,IRLにおける部分的識別性と不特定性について包括的に分析する。
  論文  参考訳（メタデータ） (2024-11-24T18:35:46Z)
• Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition [71.33787410075577]
  線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。 我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-07T15:03:50Z)
• Succinct Interaction-Aware Explanations [33.25637826682827]
  SHAPは、個々の特徴の重要性を明らかにすることでブラックボックスモデルを説明する一般的なアプローチである。 一方、NSHAPは全ての機能のサブセットに付加的な重要性を報告している。 我々は、これらの2つの世界の長所を、機能を大幅に相互作用する部分に分割することで組み合わせることを提案する。
  論文  参考訳（メタデータ） (2024-02-08T11:04:11Z)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
  $mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。 提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
  論文  参考訳（メタデータ） (2023-10-10T16:39:47Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• Robust Counterfactual Explanations for Neural Networks With Probabilistic Guarantees [11.841312820944774]
  我々は、微分可能なモデルに対する潜在的なモデル変更に対する反ファクトの堅牢性を定量化するために、 $textitStability$ と呼ぶ尺度を提案します。 私たちの主な貢献は、十分高い値のtextitStability$の反ファクトが、高い確率でポテンシャルモデルが変化した後も有効であることを示すことです。
  論文  参考訳（メタデータ） (2023-05-19T20:48:05Z)
• Exploring the cloud of feature interaction scores in a Rashomon set [17.775145325515993]
  本稿では,Rashomon セットのコンテキストにおける特徴相互作用スコア (FIS) について述べる。 我々は、合成データを用いてFISの特性を実証し、他の統計分野との接続を図示する。 この結果から,提案したFISは,機械学習モデルにおける特徴相互作用の性質に関する貴重な洞察を得られることが示唆された。
  論文  参考訳（メタデータ） (2023-05-17T13:05:26Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• A Self-Penalizing Objective Function for Scalable Interaction Detection [2.208242292882514]
  本研究では,変数間の相互作用を発見するための計算により,非パラメトリックな変数選択の問題に取り組む。 トリックは、メトリック学習目標と呼ばれるパラメトリック非パラメトリック依存度を最大化することである。
  論文  参考訳（メタデータ） (2020-11-24T17:07:49Z)
• Deep Learning for Individual Heterogeneity: An Automatic Inference Framework [2.6813717321945107]
  本研究では,機械学習を用いた推定と推定手法を開発し,経済モデルを強化する。 経済モデルの構造に合わせてネットワークアーキテクチャを設計する方法を示す。 我々は、新しい影響関数計算に基づいて推論を得る。
  論文  参考訳（メタデータ） (2020-10-28T01:41:47Z)

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。