Fugu-MT 論文翻訳(概要): On the Computational Intelligibility of Boolean Classifiers

論文の概要: On the Computational Intelligibility of Boolean Classifiers

arxiv url: http://arxiv.org/abs/2104.06172v1
Date: Tue, 13 Apr 2021 13:24:39 GMT
ステータス: 処理完了
システム内更新日: 2021-04-14 19:40:29.541143
Title: On the Computational Intelligibility of Boolean Classifiers
Title（参考訳）: ブール分類器の計算知能性について
Authors: Gilles Audemard, Steve Bellart, Louenas Bounia, Fr\'ed\'eric Koriche, Jean-Marie Lagniez, Pierre Marquis
Abstract要約: 分類器の系統間における大きな知能ギャップの存在を示す。一方、9つのXAIクエリはすべて、決定木に対してトラクタブルである。一方、DNF式、決定リスト、無作為な森林、強化された決定木、ブール多層パーセプトロン、二項化されたニューラルネットワークなどは、いずれも牽引できない。
参考スコア（独自算出の注目度）: 20.87501058448681
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we investigate the computational intelligibility of Boolean classifiers, characterized by their ability to answer XAI queries in polynomial time. The classifiers under consideration are decision trees, DNF formulae, decision lists, decision rules, tree ensembles, and Boolean neural nets. Using 9 XAI queries, including both explanation queries and verification queries, we show the existence of large intelligibility gap between the families of classifiers. On the one hand, all the 9 XAI queries are tractable for decision trees. On the other hand, none of them is tractable for DNF formulae, decision lists, random forests, boosted decision trees, Boolean multilayer perceptrons, and binarized neural networks.
Abstract（参考訳）: 本稿では,多項式時間でXAIクエリに応答できることを特徴とするブール分類器の計算精度について検討する。考慮中の分類器は、決定木、dnf式、決定リスト、決定規則、ツリーアンサンブル、ブールニューラルネットである。説明問合せと検証問合せの両方を含む9つのXAIクエリを用いて,分類器群間に大きな知能ギャップが存在することを示す。一方、9つのXAIクエリはすべて、決定木に対して抽出可能である。一方、DNF式、決定リスト、無作為な森林、強化された決定木、ブール多層パーセプトロン、二項化されたニューラルネットワークなどは、いずれも牽引できない。

関連論文リスト

Dimension-independent learning rates for high-dimensional classification problems [53.622581586464634]
各RBV2$関数は、重みが有界なニューラルネットワークによって近似可能であることを示す。次に、分類関数を近似した有界重みを持つニューラルネットワークの存在を証明する。
論文参考訳（メタデータ） (2024-09-26T16:02:13Z)
Greedy Algorithm for Inference of Decision Trees from Decision Rule Systems [0.0]
決定木と決定ルールシステムは属性、知識表現ツール、アルゴリズムとして重要な役割を果たす。本稿では,逆変換問題について考察する。本研究は,決定木全体を構築する代わりに,与えられた属性に対する決定木の操作をシミュレートする欲求時間アルゴリズムに焦点を当てる。
論文参考訳（メタデータ） (2024-01-08T09:28:55Z)
Probabilistic Tree-of-thought Reasoning for Answering Knowledge-intensive Complex Questions [93.40614719648386]
大規模言語モデル(LLM)は、知識集約的な複雑な質問にチェーン・オブ・シント(CoT)推論で答えることができる。最近の研究は、CoT推論を強化するための外部知識の回収に向けられている。確率的ツリー・オブ・シント推論(ProbTree)という新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-11-23T12:52:37Z)
Construction of Decision Trees and Acyclic Decision Graphs from Decision Rule Systems [0.0]
本稿では,決定木を構成する複雑さと決定木を表す非周期決定グラフについて考察する。決定木全体を構築しない可能性について論じるが、与えられた入力に対して、この木で計算経路を記述する。
論文参考訳（メタデータ） (2023-05-02T18:40:48Z)
Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文参考訳（メタデータ） (2023-01-21T02:34:06Z)
Explaining Random Forests using Bipolar Argumentation and Markov Networks (Technical Report) [17.9926469947157]
ランダムフォレスト(Random forest)は、さまざまな機械学習問題を解決するために使用できる決定木アンサンブルである。決定過程を推論するために,議論問題として表現することを提案する。マルコフネットワークエンコーディングを用いて十分な議論的説明を一般化し、これらの説明の関連性について議論し、文献からの帰納的説明の家族との関係を確立する。
論文参考訳（メタデータ） (2022-11-21T18:20:50Z)
Improved Quantum Query Upper Bounds Based on Classical Decision Trees [0.0]
古典的なクエリアルゴリズムが決定木として与えられると、古典的なクエリアルゴリズムよりも高速な量子クエリアルゴリズムはいつ存在するのか? 我々は、下層の決定木の構造に基づく一般的な構成を提供し、これが上から四進的な量子スピードアップをもたらすことを証明している。
論文参考訳（メタデータ） (2022-03-06T14:04:06Z)
To Boost or not to Boost: On the Limits of Boosted Neural Networks [67.67776094785363]
ブースティングは分類器のアンサンブルを学ぶ方法である。ブースティングは決定木に非常に有効であることが示されているが、ニューラルネットワークへの影響は広く研究されていない。単一のニューラルネットワークは通常、同じ数のパラメータを持つ小さなニューラルネットワークの強化されたアンサンブルよりもよく一般化される。
論文参考訳（メタデータ） (2021-07-28T19:10:03Z)
Decision Machines: Congruent Decision Trees [0.0]
本稿では,ブール試験を二進ベクトル空間に埋め込み,木構造を行列として表現する決定機械を提案する。我々は,決定木と注意機構の一致を探求し,決定木を最適化し,予測力を増強するための新たな道を開く。
論文参考訳（メタデータ） (2021-01-27T12:23:24Z)
Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文参考訳（メタデータ） (2020-12-29T18:05:05Z)
Linguistically Driven Graph Capsule Network for Visual Question Reasoning [153.76012414126643]
我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。 CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
論文参考訳（メタデータ） (2020-03-23T03:34:25Z)

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。