Fugu-MT 論文翻訳(概要): Score-Based Explanations in Data Management and Machine Learning: An Answer-Set Programming Approach to Counterfactual Analysis

論文の概要: Score-Based Explanations in Data Management and Machine Learning: An Answer-Set Programming Approach to Counterfactual Analysis

arxiv url: http://arxiv.org/abs/2106.10562v1
Date: Sat, 19 Jun 2021 19:21:48 GMT
ステータス: 処理完了
システム内更新日: 2021-06-22 15:44:10.069294
Title: Score-Based Explanations in Data Management and Machine Learning: An Answer-Set Programming Approach to Counterfactual Analysis
Title（参考訳）: データ管理と機械学習におけるスコアベース説明--対実解析への解法-
Authors: Leopoldo Bertossi
Abstract要約: 本稿では,データベースにおける問合せ回答のスコアベース説明に対する最近のアプローチと,機械学習における分類モデルによる結果について述べる。スコアの仕様と計算に反実的推論を使うことに対する、応答セットプログラミングに基づく宣言的アプローチに特に重点を置いている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We describe some recent approaches to score-based explanations for query answers in databases and outcomes from classification models in machine learning. The focus is on work done by the author and collaborators. Special emphasis is placed on declarative approaches based on answer-set programming to the use of counterfactual reasoning for score specification and computation. Several examples that illustrate the flexibility of these methods are shown.
Abstract（参考訳）: データベースにおける問合せ回答のスコアベース説明に対する最近のアプローチと機械学習における分類モデルによる結果について述べる。焦点は著者と共同作業者による作業である。スコアの特定と計算に反事実推論を使うため、回答集合プログラミングに基づく宣言的アプローチに特に重点が置かれている。これらの手法の柔軟性を示すいくつかの例を示す。

関連論文リスト

Attribution-Scores in Data Management and Explainable Machine Learning [0.0]
本稿では,データベースにおける責任スコアの定義における実際の因果性の利用に関する最近の研究について述べる。データベースの場合、データベースの修復に有用な接続を図示し、活用する。分類モデルでは、責任スコアが適切に拡張され、図示される。
論文参考訳（メタデータ） (2023-07-31T22:41:17Z)
From Database Repairs to Causality in Databases and Beyond [0.0]
本稿では,データベースにおける問合せ応答に対するスコアベース説明に対する最近のアプローチについて述べる。スコアの仕様と計算に反実的推論を使うことに特に重点を置いている。
論文参考訳（メタデータ） (2023-06-15T04:08:23Z)
A Mechanistic Interpretation of Arithmetic Reasoning in Language Models using Causal Mediation Analysis [128.0532113800092]
算数問題に対するトランスフォーマーに基づくLMの機械的解釈を提案する。これにより、算術に関連する情報がLMによってどのように処理されるかについての洞察が得られる。
論文参考訳（メタデータ） (2023-05-24T11:43:47Z)
Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
論文参考訳（メタデータ） (2023-01-24T15:25:16Z)
Reasoning about Counterfactuals and Explanations: Problems, Results and Directions [0.0]
これらのアプローチは柔軟でモジュール化されており、ドメイン知識のシームレスな追加を可能にします。プログラムは、責任に基づく数値スコアを分類結果の属性的説明として指定し、計算するために使用することができる。
論文参考訳（メタデータ） (2021-08-25T01:04:49Z)
A Framework and Benchmarking Study for Counterfactual Generating Methods on Tabular Data [0.0]
カウンターファクトな説明は、機械学習の予測を説明する効果的な方法と見なされる。このような説明を導き出そうとするアルゴリズムは、すでに数十ある。ベンチマーク研究とフレームワークは、実践者がどのテクニックとビルディングブロックが最も適しているかを決定するのに役立ちます。
論文参考訳（メタデータ） (2021-07-09T21:06:03Z)
Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
論文参考訳（メタデータ） (2020-11-13T10:53:27Z)
A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
既存の説明可能性技術を評価するための診断特性のリストを作成する。そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
論文参考訳（メタデータ） (2020-09-25T12:01:53Z)
Score-Based Explanations in Data Management and Machine Learning [0.0]
本稿では,データベースにおける問合せ応答と分類モデルによる結果について考察する。説明されているアプローチは、主に因果的かつ反事実的な性質である。
論文参考訳（メタデータ） (2020-07-24T23:13:27Z)
Instance-Based Learning of Span Representations: A Case Study through Named Entity Recognition [48.06319154279427]
本研究では,スパン間の類似性を学習するインスタンスベースの学習手法を提案する。本手法では,性能を犠牲にすることなく高い解釈性を持つモデルを構築することができる。
論文参考訳（メタデータ） (2020-04-29T23:32:42Z)
A Revised Generative Evaluation of Visual Dialogue [80.17353102854405]
本稿では,VisDialデータセットの改訂評価手法を提案する。モデルが生成した回答と関連する回答の集合のコンセンサスを測定する。 DenseVisDialとして改訂された評価スキームのこれらのセットとコードをリリースする。
論文参考訳（メタデータ） (2020-04-20T13:26:45Z)

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。