論文の概要: Using Shapley Values and Variational Autoencoders to Explain Predictive
Models with Dependent Mixed Features
- arxiv url: http://arxiv.org/abs/2111.13507v1
- Date: Fri, 26 Nov 2021 14:05:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 15:22:20.983830
- Title: Using Shapley Values and Variational Autoencoders to Explain Predictive
Models with Dependent Mixed Features
- Title(参考訳): 共有値と変分オートエンコーダを用いて依存混合特徴を持つ予測モデルを記述する
- Authors: Lars Henry Berge Olsen, Ingrid Kristine Glad, Martin Jullum and
Kjersti Aas
- Abstract要約: 任意の条件付オートエンコーダ(VAEAC)を用いて,すべての機能依存関係を同時にモデル化する。
UCI Machine Learning RepositoryのデータセットであるAbaloneにVAEACを適用する。
- 参考スコア(独自算出の注目度): 2.064612766965483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shapley values are today extensively used as a model-agnostic explanation
framework to explain complex predictive machine learning models. Shapley values
have desirable theoretical properties and a sound mathematical foundation.
Precise Shapley value estimates for dependent data rely on accurate modeling of
the dependencies between all feature combinations. In this paper, we use a
variational autoencoder with arbitrary conditioning (VAEAC) to model all
feature dependencies simultaneously. We demonstrate through comprehensive
simulation studies that VAEAC outperforms the state-of-the-art methods for a
wide range of settings for both continuous and mixed dependent features.
Finally, we apply VAEAC to the Abalone data set from the UCI Machine Learning
Repository.
- Abstract(参考訳): シェープ値は現在、複雑な予測機械学習モデルを説明するためのモデルに依存しない説明フレームワークとして広く使われている。
シェープ値には望ましい理論的性質と健全な数学的基礎がある。
依存データに対する正確なシェープ値の推定は、すべての機能の組み合わせ間の依存関係の正確なモデリングに依存します。
本稿では,任意の条件付オートエンコーダ(VAEAC)を用いて,すべての機能依存を同時にモデル化する。
本研究では,VAEACが連続的・混合的特徴の多種多様な設定において,最先端の手法よりも優れていることを示す。
最後に、UCI Machine Learning RepositoryのデータセットであるAbaloneにVAEACを適用する。
関連論文リスト
- Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。
CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。
CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
論文 参考訳(メタデータ) (2024-02-05T03:25:04Z) - 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) - Efficient Shapley Values Estimation by Amortization for Text
Classification [66.7725354593271]
我々は,各入力特徴のシェープ値を直接予測し,追加のモデル評価を行なわずに補正モデルを開発する。
2つのテキスト分類データセットの実験結果から、アモルタイズされたモデルでは、Shapley Valuesを最大60倍のスピードアップで正確に見積もっている。
論文 参考訳(メタデータ) (2023-05-31T16:19:13Z) - Shapley variable importance cloud for machine learning models [4.1359299555083595]
最近開発されたShapley変数重要クラウド(ShapleyVIC)は、包括的で堅牢な変数重要度評価を提供する。
ShapleyVIC推論の利点は実生活予測タスクで実証されている。
より広範なアプリケーションを可能にする機械学習モデルのShapleyVIC実装。
論文 参考訳(メタデータ) (2022-12-16T09:45:22Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Exact Shapley Values for Local and Model-True Explanations of Decision
Tree Ensembles [0.0]
決定木アンサンブルの説明にShapley値を適用することを検討する。
本稿では,無作為林に適応し,決定木を増強できる,Shapley値に基づく特徴属性に対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-12-16T20:16:02Z) - Counterfactual Shapley Additive Explanations [6.916452769334367]
本稿では,逆ファクト生成技術を用いて背景データセットを生成するSHAPの変種であるCoSHAPを提案する。
我々は、特徴属性にShapley値を使用する場合、背景データセットを慎重に考慮するためのアクション可能なリコース設定の必要性を動機付けている。
論文 参考訳(メタデータ) (2021-10-27T08:44:53Z) - Explaining predictive models using Shapley values and non-parametric
vine copulas [2.6774008509840996]
特徴間の依存をモデル化するための2つの新しいアプローチを提案する。
提案手法の性能はシミュレーションされたデータセットと実データセットで評価される。
実験により、ブドウのコプラアプローチは、ライバルよりも真のシャプリー値により正確な近似を与えることが示された。
論文 参考訳(メタデータ) (2021-02-12T09:43:28Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。
自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文 参考訳(メタデータ) (2020-12-07T14:16:14Z) - Explaining predictive models with mixed features using Shapley values
and conditional inference trees [1.8065361710947976]
シェープな値は、あらゆる種類の機械学習モデルからの予測を説明するためのサウンドメソッドとして際立っている。
本研究では,条件付き推論木を用いた特徴の依存構造をモデル化し,混合依存的特徴を説明する手法を提案する。
論文 参考訳(メタデータ) (2020-07-02T11:25:45Z)
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。
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。