Fugu-MT 論文翻訳(概要): Feature Synergy, Redundancy, and Independence in Global Model Explanations using SHAP Vector Decomposition

論文の概要: Feature Synergy, Redundancy, and Independence in Global Model Explanations using SHAP Vector Decomposition

arxiv url: http://arxiv.org/abs/2107.12436v1
Date: Mon, 26 Jul 2021 18:56:31 GMT
ステータス: 処理完了
システム内更新日: 2021-07-29 04:25:30.893730
Title: Feature Synergy, Redundancy, and Independence in Global Model Explanations using SHAP Vector Decomposition
Title（参考訳）: SHAPベクトル分解を用いたグローバルモデル記述における特徴相乗, 冗長性, 独立性
Authors: Jan Ittner, Lukasz Bolikowski, Konstantin Hemker and Ricardo Kennedy
Abstract要約: 私たちは、機能のコントリビューションをシナジスティック、冗長、独立のコンポーネントに分解します。構築されたデータセットとモデルに適用することにより、相乗効果、冗長性、独立性を実証する。
参考スコア（独自算出の注目度）: 0.4588028371034407
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We offer a new formalism for global explanations of pairwise feature dependencies and interactions in supervised models. Building upon SHAP values and SHAP interaction values, our approach decomposes feature contributions into synergistic, redundant and independent components (S-R-I decomposition of SHAP vectors). We propose a geometric interpretation of the components and formally prove its basic properties. Finally, we demonstrate the utility of synergy, redundancy and independence by applying them to a constructed data set and model.
Abstract（参考訳）: 教師付きモデルにおけるペアワイズな特徴依存と相互作用のグローバルな説明に新しい形式を提供する。本手法は,SHAP値とSHAP相互作用値に基づいて,相乗的で冗長な独立成分(SHAPベクトルのS-R-I分解)に特徴的寄与を分解する。成分の幾何学的解釈を提案し,その基本的な性質を正式に証明する。最後に、構築されたデータセットとモデルに適用することにより、相乗効果、冗長性、独立性を実証する。

関連論文リスト

Graph-based Unsupervised Disentangled Representation Learning via Multimodal Large Language Models [42.17166746027585]
複素データ内の因子化属性とその相互関係を学習するための双方向重み付きグラフベースフレームワークを提案する。具体的には、グラフの初期ノードとして要素を抽出する$beta$-VAEベースのモジュールを提案する。これらの相補的加群を統合することで、我々は細粒度、実用性、教師なしの絡み合いをうまく達成できる。
論文参考訳（メタデータ） (2024-07-26T15:32:21Z)
Compositional Structures in Neural Embedding and Interaction Decompositions [101.40245125955306]
ニューラルネットワークにおけるベクトル埋め込みにおける線形代数構造間の基本的な対応について述べる。相互作用分解」の観点から構成構造の特徴づけを導入する。モデルの表現の中にそのような構造が存在するためには、必要かつ十分な条件を確立する。
論文参考訳（メタデータ） (2024-07-12T02:39:50Z)
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)
Independent Modular Networks [3.10678167047537]
モノリシックニューラルネットワークは、データ生成プロセスの構成的性質を排除している。モジュールを役割に分割するモジュールネットワークアーキテクチャを提案する。また,モジュール崩壊問題に対するモジュールネットワークのレジリエンスを改善するための正規化も提供する。
論文参考訳（メタデータ） (2023-06-02T07:29:36Z)
Unifying local and global model explanations by functional decomposition of low dimensional structures [0.0]
回帰関数や分類関数のグローバルな説明を主成分と相互作用成分の和に分解して考える。ここで、qは分解に存在する相互作用の最高位を表す。
論文参考訳（メタデータ） (2022-08-12T07:38:53Z)
Sparse Relational Reasoning with Object-Centric Representations [78.83747601814669]
対象中心表現の操作において,リレーショナルニューラルアーキテクチャによって学習されたソフトルールの構成可能性について検討する。特に特徴量の増加は,いくつかのモデルの性能を向上し,より単純な関係をもたらすことが判明した。
論文参考訳（メタデータ） (2022-07-15T14:57:33Z)
Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)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） (2021-12-20T21:27:51Z)
Joint Extraction of Entity and Relation with Information Redundancy Elimination [0.0]
本稿では,冗長な情報の問題と,エンティティと関係抽出モデルの重なり合う関係を解くための共同抽出モデルを提案する。このモデルは、関係のない情報を生成することなく、複数の関連エンティティを直接抽出することができる。また、文をモデル化する繰り返しユニットの能力を高めるために、LSTMという名前のリカレントニューラルネットワークを提案する。
論文参考訳（メタデータ） (2020-11-27T05:47:26Z)
HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
論文参考訳（メタデータ） (2020-08-28T18:58:15Z)
Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文参考訳（メタデータ） (2020-07-30T05:48:48Z)
From abstract items to latent spaces to observed data and back: Compositional Variational Auto-Encoder [0.0]
条件付き生成モデルは現在、機械学習に不可欠なツールとして認められている。提案したCompVAEは、データを自然なマルチアンサンブルリスト構造で処理する。観測情報と記号情報の両方を活用する潜在表現を学習する。
論文参考訳（メタデータ） (2020-01-22T08:30:39Z)

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。