論文の概要: MCCE: Monte Carlo sampling of realistic counterfactual explanations
- arxiv url: http://arxiv.org/abs/2111.09790v1
- Date: Thu, 18 Nov 2021 16:40:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 13:57:26.009647
- Title: MCCE: Monte Carlo sampling of realistic counterfactual explanations
- Title（参考訳）: MCCE:モンテカルロによる現実的対実的説明のサンプリング
- Authors: Annabelle Redelmeier, Martin Jullum, Kjersti Aas, Anders L{\o}land
- Abstract要約: MCCE: Monte Carlo sample ofreal Counterfactual Explanations。
複雑な最適化問題を解くアルゴリズムベースの反ファクト法とは異なり、MCCEは2つの軽量ステップのみで構成されている。
カウンターファクトな説明を比較するのに使用できるパフォーマンスメトリクスの包括的なリストを提供する。
- 参考スコア（独自算出の注目度）: 1.8899300124593645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we introduce MCCE: Monte Carlo sampling of realistic
Counterfactual Explanations, a model-based method that generates counterfactual
explanations by producing a set of feasible examples using conditional
inference trees. Unlike algorithmic-based counterfactual methods that have to
solve complex optimization problems or other model based methods that model the
data distribution using heavy machine learning models, MCCE is made up of only
two light-weight steps (generation and post-processing). MCCE is also
straightforward for the end user to understand and implement, handles any type
of predictive model and type of feature, takes into account actionability
constraints when generating the counterfactual explanations, and generates as
many counterfactual explanations as needed. In this paper we introduce MCCE and
give a comprehensive list of performance metrics that can be used to compare
counterfactual explanations. We also compare MCCE with a range of
state-of-the-art methods and a new baseline method on benchmark data sets. MCCE
outperforms all model-based methods and most algorithmic-based methods when
also taking into account validity (i.e., a correctly changed prediction) and
actionability constraints. Finally, we show that MCCE has the strength of
performing almost as well when given just a small subset of the training data.
- Abstract（参考訳）: 本稿では,条件付き推論木を用いて実現可能な一組の例を生成することで,反事実的説明を生成するモデルベース手法である,現実的反事実的説明のモンテカルロサンプリングを提案する。
複雑な最適化問題を解くアルゴリズムベースのカウンターファクト法や、重機械学習モデルを用いてデータ分散をモデル化する他のモデルベースの方法とは異なり、MCCEは2つの軽量ステップ(生成と後処理)のみで構成されている。
MCCEはまた、エンドユーザーが理解し実装し、どんな種類の予測モデルや機能にも対処し、反現実的な説明を生成する際にアクション可能性の制約を考慮に入れ、必要に応じて多くの反現実的な説明を生成する。
本稿では,MCCEについて紹介し,反実的説明の比較に使用できるパフォーマンス指標の包括的リストを提供する。
また,mceと最先端手法とベンチマークデータセットにおける新しいベースライン法を比較した。
MCCEは、妥当性(正確に変化する予測)と動作可能性の制約を考慮した場合、すべてのモデルベースの手法やアルゴリズムベースの手法よりも優れている。
最後に、MCCEはトレーニングデータの小さなサブセットを与えられると、ほぼ同等の性能を発揮することを示す。
関連論文リスト
- Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。
しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。
本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
論文 参考訳（メタデータ） (2024-10-17T17:59:02Z) - Robust Inference of Dynamic Covariance Using Wishart Processes and Sequential Monte Carlo [2.6347238599620115]
本稿では,WishartプロセスのためのSMCサンプルについて紹介する。
SMCサンプリングは, 動的共分散の最も頑健な推定と外乱予測をもたらすことを示す。
提案手法が臨床うつ病のデータセットに有効であることを示す。
論文 参考訳（メタデータ） (2024-06-07T09:48:11Z) - Revisiting Demonstration Selection Strategies in In-Context Learning [66.11652803887284]
大規模言語モデル(LLM)は、インコンテキスト学習(ICL)を用いて広範囲のタスクを実行するという印象的な能力を示している。
本研究ではまず,データとモデルの両方の側面から,この分散に寄与する要因を再検討し,実演の選択がデータとモデルに依存していることを確かめる。
本研究では,データとモデルに依存した実演選択手法である textbfTopK + ConE を提案する。
論文 参考訳（メタデータ） (2024-01-22T16:25:27Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Evaluating Representations with Readout Model Switching [19.907607374144167]
本稿では,最小記述長(MDL)の原理を用いて評価指標を考案する。
我々は、読み出しモデルのためのハイブリッド離散および連続値モデル空間を設計し、それらの予測を組み合わせるために切替戦略を用いる。
提案手法はオンライン手法で効率的に計算でき,様々なアーキテクチャの事前学習された視覚エンコーダに対する結果を示す。
論文 参考訳（メタデータ） (2023-02-19T14:08:01Z) - Efficient Propagation of Uncertainty via Reordering Monte Carlo Samples [0.7087237546722617]
不確実性伝播は、入力変数の不確実性に基づいてモデル出力の不確実性を決定する技術である。
本研究は,全ての試料が平均的に有用であるにもかかわらず,他の試料よりも有用であるとする仮説を考察する。
本稿では、MCサンプルを適応的に並べ替える手法を導入し、UPプロセスの計算コストの削減をもたらす方法を示す。
論文 参考訳（メタデータ） (2023-02-09T21:28:15Z) - Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo
sampling [58.14878401145309]
PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。
Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
論文 参考訳（メタデータ） (2022-05-12T11:15:47Z) - PSD Representations for Effective Probability Models [117.35298398434628]
最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。
我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。
本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
論文 参考訳（メタデータ） (2021-06-30T15:13:39Z) - Community Detection in the Stochastic Block Model by Mixed Integer
Programming [3.8073142980733]
Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。
DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。
本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
論文 参考訳（メタデータ） (2021-01-26T22:04:40Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳（メタデータ） (2020-06-05T20:54:11Z)
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。