論文の概要: Counterfactual Plans under Distributional Ambiguity

• arxiv url: http://arxiv.org/abs/2201.12487v1
• Date: Sat, 29 Jan 2022 03:41:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 08:29:20.095148
• Title: Counterfactual Plans under Distributional Ambiguity
• Title（参考訳）: 流通曖昧性下での反事実計画
• Authors: Ngoc Bui, Duy Nguyen, Viet Anh Nguyen
• Abstract要約: 本研究では,モデルパラメータの分布を部分的に規定したモデル不確実性の下での対実計画について検討する。 まず,不確実性定量化ツールを提案する。 次に,有効性向上のための対策計画を調整するための補正方法を提案する。
• 参考スコア（独自算出の注目度）: 12.139222986297263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual explanations are attracting significant attention due to the flourishing applications of machine learning models in consequential domains. A counterfactual plan consists of multiple possibilities to modify a given instance so that the model's prediction will be altered. As the predictive model can be updated subject to the future arrival of new data, a counterfactual plan may become ineffective or infeasible with respect to the future values of the model parameters. In this work, we study the counterfactual plans under model uncertainty, in which the distribution of the model parameters is partially prescribed using only the first- and second-moment information. First, we propose an uncertainty quantification tool to compute the lower and upper bounds of the probability of validity for any given counterfactual plan. We then provide corrective methods to adjust the counterfactual plan to improve the validity measure. The numerical experiments validate our bounds and demonstrate that our correction increases the robustness of the counterfactual plans in different real-world datasets.
• Abstract（参考訳）: 相反的な説明は、一連の分野における機械学習モデルの応用が盛んであることから、大きな注目を集めている。 反事実プランは、モデルの予測が変更されるように、与えられたインスタンスを変更する複数の可能性からなる。 予測モデルは、新しいデータの将来的な到着によって更新されるため、モデルパラメータの将来的な値に関して、偽りの計画が効果的または実行不可能になる可能性がある。 本研究では,モデル不確実性の下では,第1モーメント情報と第2モーメント情報のみを用いてモデルパラメータの分布を部分的に規定する。 まず,不確実性定量化ツールを提案する。 次に,有効性向上のための対策計画を調整するための補正方法を提案する。 数値実験により,実世界の異なるデータセットにおける反事実計画のロバスト性が向上することを示す。

関連論文リスト

• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。 本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。 最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-02T05:53:22Z)
• Refining Diffusion Planner for Reliable Behavior Synthesis by Automatic Detection of Infeasible Plans [25.326624139426514]
  拡散に基づくプランニングは、長期のスパースリワードタスクにおいて有望な結果を示している。 しかし、生成モデルとしての性質のため、拡散モデルは実現可能な計画を生成することが保証されない。 本稿では,拡散モデルが生成する信頼できない計画を改善するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T10:35:42Z)
• Performative Prediction with Bandit Feedback: Learning through Reparameterization [23.039885534575966]
  行動予測は、データの分布自体がモデルの展開に応じて変化する社会予測を研究するためのフレームワークである。 本研究では,実行予測目標をデータ分散関数として再パラメータ化する再パラメータ化を開発する。
  論文  参考訳（メタデータ） (2023-05-01T21:31:29Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Forethought and Hindsight in Credit Assignment [62.05690959741223]
  我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。 本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
  論文  参考訳（メタデータ） (2020-10-26T16:00:47Z)
• Selective Dyna-style Planning Under Limited Model Capacity [26.63876180969654]
  モデルに基づく強化学習では、環境の不完全なモデルによる計画は、学習の進行に害を与える可能性がある。 本稿では,不完全モデルの使用を選択的に検討する。 エージェントは、モデルが有用な状態空間の一部を計画するが、有害なモデルの使用を控える必要がある。
  論文  参考訳（メタデータ） (2020-07-05T18:51:50Z)
• Bootstrapped model learning and error correction for planning with uncertainty in model-based RL [1.370633147306388]
  自然の目的は、環境のダイナミクスを正確に反映したモデルを学ぶことである。 本稿では,不確実性を考慮した強化学習エージェントによるモデルミス特定の問題について検討する。 本稿では,将来の状態と報酬の分布を学習するブートストラップ型マルチヘッド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） (2020-04-15T15:41:21Z)

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。