論文の概要: Principled Diverse Counterfactuals in Multilinear Models
- arxiv url: http://arxiv.org/abs/2201.06467v1
- Date: Mon, 17 Jan 2022 15:20:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-20 09:20:44.150676
- Title: Principled Diverse Counterfactuals in Multilinear Models
- Title(参考訳): マルチリニアモデルにおける原理的多種多様な反事実
- Authors: Ioannis Papantonis, Vaishak Belle
- Abstract要約: 機械学習アプリケーションは多数のリアルタイムタスクを自動化し、プライベートとパブリックの両方を改善している。
しかし、多くの最先端モデルのブラックボックスの性質は、モデル検証の課題を招いている。
本稿では,ランダムフォレストとベイズネットワークを含む広範クラスである多線形モデルから,多様な対実的説明を生成する方法を提案する。
- 参考スコア(独自算出の注目度): 12.47276164048813
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) applications have automated numerous real-life tasks,
improving both private and public life. However, the black-box nature of many
state-of-the-art models poses the challenge of model verification; how can one
be sure that the algorithm bases its decisions on the proper criteria, or that
it does not discriminate against certain minority groups? In this paper we
propose a way to generate diverse counterfactual explanations from multilinear
models, a broad class which includes Random Forests, as well as Bayesian
Networks.
- Abstract(参考訳): 機械学習(ML)アプリケーションは、多数の実生活タスクを自動化し、プライベートとパブリック両方の生活を改善している。
しかし、多くの最先端モデルのブラックボックス性は、モデル検証の課題を提起する。アルゴリズムが適切な基準に基づいて決定を下すか、あるいは特定の少数派グループと判別しないか、どのように確かめることができるのか?
本稿では,ランダム林を含む広いクラスであるマルチリニアモデルとベイズネットワークから,多様な反事実的説明を生成する手法を提案する。
関連論文リスト
- Generative Multimodal Models are In-Context Learners [62.31022638619485]
我々は37億のパラメータを持つ生成的マルチモーダルモデルであるEmu2を紹介し、大規模マルチモーダルシーケンスで訓練する。
Emu2は、マルチモーダルなインコンテキスト学習能力を示し、オンザフライ推論を必要とするタスクを解決しようとさえしている。
論文 参考訳(メタデータ) (2023-12-20T18:59:58Z) - MinT: Boosting Generalization in Mathematical Reasoning via Multi-View
Fine-Tuning [53.90744622542961]
数学領域における推論は、小言語モデル(LM)にとって重要な課題である。
多様なアノテーションスタイルで既存の数学的問題データセットを利用する新しい手法を提案する。
実験結果から,LLaMA-7Bモデルが先行手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-07-16T05:41:53Z) - Multi-Target Multiplicity: Flexibility and Fairness in Target
Specification under Resource Constraints [76.84999501420938]
対象の選択が個人の結果にどのように影響するかを評価するための概念的および計算的枠組みを導入する。
目的変数選択から生じる多重度は, 1つのターゲットのほぼ最適モデルから生じるものよりも大きいことが示される。
論文 参考訳(メタデータ) (2023-06-23T18:57:14Z) - Multi-modal Latent Diffusion [8.316365279740188]
多モード変分オートエンコーダ(Multi-modal Variational Autoencoder)は、様々なモダリティの合同表現を学習することを目的とした、一般的なモデルのファミリーである。
既存のアプローチはコヒーレンス品質のトレードオフに悩まされており、優れた世代品質のモデルはモダリティ間で生成コヒーレンスを欠いている。
独立に訓練された一様・一様・決定論的オートエンコーダの集合を用いる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-07T14:16:44Z) - Two Failures of Self-Consistency in the Multi-Step Reasoning of LLMs [78.31625291513589]
自己整合性は、解が複数のサブステップに対する解からなるタスクにおいて、有効な多段階推論の重要な基準であると主張する。
仮説的整合性と構成的整合性という,多段階推論において特に重要である2種類の自己整合性を提案する。
GPT-3/4モデルの複数変種は,多種多様なタスクにおける両タイプの整合性に不整合性を示すことを示した。
論文 参考訳(メタデータ) (2023-05-23T17:25:59Z) - A survey of multimodal deep generative models [20.717591403306287]
マルチモーダル学習は、様々なタイプのモダリティに基づいて予測を行うモデルを構築するためのフレームワークである。
ディープニューラルネットワークによって分布がパラメータ化されるディープジェネレーティブモデルが注目されている。
論文 参考訳(メタデータ) (2022-07-05T15:48:51Z) - Multi-modal multi-objective model-based genetic programming to find
multiple diverse high-quality models [0.0]
遺伝的プログラミング(GP)は、しばしば説明可能な人工知能(XAI)に貢献するのに一意に適しているとされる。
本稿では,GP-GOMEAと呼ばれる現代モデルに基づくGPアルゴリズムを拡張した,新しいマルチモーダルマルチツリー多目的GPアプローチにより,これを正確に実現する。
論文 参考訳(メタデータ) (2022-03-24T21:35:07Z) - SAGE: Generating Symbolic Goals for Myopic Models in Deep Reinforcement
Learning [18.37286885057802]
従来使用できなかった不完全モデルのクラスを利用するための学習と計画を組み合わせたアルゴリズムを提案する。
これは、象徴的な計画とニューラルネットワークのアプローチの長所を、タクシーの世界とマインクラフトのバリエーションで競合する手法を上回る、新しい方法で組み合わせたものだ。
論文 参考訳(メタデータ) (2022-03-09T22:55:53Z) - Conditional Generative Modeling via Learning the Latent Space [54.620761775441046]
マルチモーダル空間における条件生成のための新しい枠組みを提案する。
潜在変数を使って一般化可能な学習パターンをモデル化する。
推論では、潜伏変数は複数の出力モードに対応する最適解を見つけるために最適化される。
論文 参考訳(メタデータ) (2020-10-07T03:11:34Z) - Explainable Matrix -- Visualization for Global and Local
Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。
単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。
ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文 参考訳(メタデータ) (2020-05-08T21:03:48Z)
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。