論文の概要: Consequence-aware Sequential Counterfactual Generation

• arxiv url: http://arxiv.org/abs/2104.05592v1
• Date: Mon, 12 Apr 2021 16:10:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 14:34:27.427991
• Title: Consequence-aware Sequential Counterfactual Generation
• Title（参考訳）: シーケンス対応シークエンス・カウンティ・ジェネレーション
• Authors: Philip Naumann and Eirini Ntoutsi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.71097144710995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactuals have become a popular technique nowadays for interacting with black-box machine learning models and understanding how to change a particular instance to obtain a desired outcome from the model. However, most existing approaches assume instant materialization of these changes, ignoring that they may require effort and a specific order of application. Recently, methods have been proposed that also consider the order in which actions are applied, leading to the so-called sequential counterfactual generation problem. In this work, we propose a model-agnostic method for sequential counterfactual generation. We formulate the task as a multi-objective optimization problem and present an evolutionary approach to find optimal sequences of actions leading to the counterfactuals. Our cost model considers not only the direct effect of an action, but also its consequences. Experimental results show that compared to state of the art, our approach generates less costly solutions, is more efficient, and provides the user with a diverse set of solutions to choose from.
• Abstract（参考訳）: 現在では、ブラックボックス機械学習モデルと対話し、特定のインスタンスを変更してモデルから望ましい結果を得る方法を理解するために、カウンターファクトが一般的なテクニックになっている。 しかし、既存のほとんどのアプローチは、これらの変更の即時実体化を前提としています。 近年、アクションが適用される順序も考慮し、いわゆる逐次反事実生成問題へと繋がる手法が提案されている。 本研究では,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。 我々は,タスクを多目的最適化問題として定式化し,その原因となるアクションの最適なシーケンスを見つけるための進化的アプローチを提案する。 私たちのコストモデルは、アクションの直接的な効果だけでなく、その影響も考慮しています。 実験の結果,最先端技術と比較して,提案手法は費用対効果が低く,効率が良く,選択すべき多様なソリューション群をユーザに提供できることがわかった。

関連論文リスト

• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
  本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。 提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
  論文  参考訳（メタデータ） (2021-11-26T06:33:29Z)
• Sample Efficient Reinforcement Learning via Model-Ensemble Exploration and Exploitation [3.728946517493471]
  MEEEは楽観的な探索と重み付けによる搾取からなるモデルアンサンブル法である。 我々の手法は、特にサンプル複雑性において、他のモデルフリーおよびモデルベース最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2021-07-05T07:18:20Z)
• Automated Decision-based Adversarial Attacks [48.01183253407982]
  我々は、実用的で挑戦的な意思決定ベースのブラックボックスの敵意設定を考える。 この設定では、攻撃者はターゲットモデルに問い合わせるだけで最終分類ラベルを取得できる。 意思決定に基づく攻撃アルゴリズムを自動的に発見する。
  論文  参考訳（メタデータ） (2021-05-09T13:15:10Z)
• Ordered Counterfactual Explanation by Mixed-Integer Linear Optimization [10.209615216208888]
  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。
  論文  参考訳（メタデータ） (2020-12-22T01:41:23Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)
• Benchmarking deep inverse models over time, and the neural-adjoint method [3.4376560669160394]
  そこで本研究では,自然システムの隠れパラメータを決定するための一般的な逆問題について考察する。 我々はこれらのモデルを、効率的に、しかしランダムに、可能な逆解の空間を探索するための異なるスキームとして概念化する。 我々は,4つのベンチマークタスクについて,最先端の逆モデリング手法を比較した。
  論文  参考訳（メタデータ） (2020-09-27T18:32:06Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。