論文の概要: Separating Rule Discovery and Global Solution Composition in a Learning Classifier System

• arxiv url: http://arxiv.org/abs/2202.01677v1
• Date: Thu, 3 Feb 2022 16:45:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 14:42:59.972033
• Title: Separating Rule Discovery and Global Solution Composition in a Learning Classifier System
• Title（参考訳）: 学習分類器システムにおけるルール発見とグローバルソリューション構成の分離
• Authors: Michael Heider, Helena Stegherr, Jonathan Wurth, Roman Sraj, J\"org H\"ahner
• Abstract要約: 本稿では,特に産業シナリオに特化して設計された,容易に解釈可能なルールベース学習システムを提案する。 システムの主な利点の1つは、ルールの条件とどのルールが問題に対する解決策を構成するかを別々に進化させることである。 SupRB2の評価結果はXCSFに匹敵するが,モデル構造を容易に制御できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The utilization of digital agents to support crucial decision making is increasing in many industrial scenarios. However, trust in suggestions made by these agents is hard to achieve, though essential for profiting from their application, resulting in a need for explanations for both the decision making process as well as the model itself. For many systems, such as common deep learning black-box models, achieving at least some explainability requires complex post-processing, while other systems profit from being, to a reasonable extent, inherently interpretable. In this paper we propose an easily interpretable rule-based learning system specifically designed and thus especially suited for these scenarios and compare it on a set of regression problems against XCSF, a prominent rule-based learning system with a long research history. One key advantage of our system is that the rules' conditions and which rules compose a solution to the problem are evolved separately. We utilise independent rule fitnesses which allows users to specifically tailor their model structure to fit the given requirements for explainability. We find that the results of SupRB2's evaluation are comparable to XCSF's while allowing easier control of model structure and showing a substantially smaller sensitivity to random seeds and data splits. This increased control aids in subsequently providing explanations for both the training and the final structure of the model.
• Abstract（参考訳）: 重要な意思決定を支援するデジタルエージェントの利用は、多くの産業シナリオで増加している。 しかし、これらのエージェントによる提案に対する信頼は達成し難いが、アプリケーションから利益を得るには不可欠であり、結果として意思決定プロセスとモデル自体の両方の説明が必要である。 一般的なディープラーニングブラックボックスモデルのような多くのシステムでは、少なくともいくつかの説明可能性を達成するには複雑な後処理が必要です。 本稿では,これらのシナリオに特化して設計され,特に好適なルールベース学習システムを提案し,長い研究履歴を持つ卓越したルールベース学習システムであるXCSFに対する回帰問題と比較する。 このシステムの重要な利点は、ルールの条件と、問題に対する解決策を構成するルールが別々に進化することである。 独立したルール適合性を利用して、ユーザが所定の要件を満たすように、モデル構造を特別に調整する。 suprb2の評価結果はxcsfと同等であり、モデル構造の制御が容易であり、ランダムな種子やデータ分割に対する感度がかなり小さいことが判明した。 この制御の強化は、トレーニングとモデルの最終的な構造の両方を説明するのに役立つ。

関連論文リスト

• Identifiable Causal Representation Learning: Unsupervised, Multi-View, and Multi-Environment [10.814585613336778]
  因果表現学習は、機械学習のコアとなる強みと因果性を組み合わせることを目的としている。 この論文は、CRLが直接の監督なしに何が可能であるかを調査し、理論的基礎に寄与する。
  論文  参考訳（メタデータ） (2024-06-19T09:14:40Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• DeforestVis: Behavior Analysis of Machine Learning Models with Surrogate Decision Stumps [46.58231605323107]
  複雑なMLモデルの振る舞いを要約する視覚解析ツールであるDeforestVisを提案する。 DeforestVisは、より多くの切り株をインクリメンタルに生成することで、複雑さとフィデリティのトレードオフを探索するのに役立つ。 DeforestVisの適用性と有用性について,2つのユースケースと,データアナリストとモデル開発者とのエキスパートインタビューで紹介する。
  論文  参考訳（メタデータ） (2023-03-31T21:17:15Z)
• Investigating the Impact of Independent Rule Fitnesses in a Learning Classifier System [0.0]
  本稿では,コンパクトで解釈可能で透明なモデルを構築するためのルールベース学習システムであるSupRBを提案する。 本稿では,一連の回帰問題に対して,本システムの性能を徹底的に検討し,XCSFと比較する。 我々は,モデル構造を簡易に制御しながら,XCSFに匹敵するSupRBの評価結果を総合的に見出した。
  論文  参考訳（メタデータ） (2022-07-12T15:06:22Z)
• Optimal Decision Diagrams for Classification [68.72078059880018]
  数学的プログラミングの観点から最適決定図の学習について検討する。 本稿では,新しい混合整数線形プログラミングモデルを提案する。 このモデルは、公正性、同義性、安定性の概念に対してどのように容易に拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-05-28T18:31:23Z)
• Weakly Supervised Semantic Segmentation via Alternative Self-Dual Teaching [82.71578668091914]
  本稿では,分類とマスク・リファインメント・コンポーネントを統合された深層モデルに組み込む,コンパクトな学習フレームワークを確立する。 本稿では,高品質な知識相互作用を促進するために,新たな自己双対学習(ASDT)機構を提案する。
  論文  参考訳（メタデータ） (2021-12-17T11:56:56Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
  大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。 多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。 本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
  論文  参考訳（メタデータ） (2021-04-26T15:12:13Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Explanation of Reinforcement Learning Model in Dynamic Multi-Agent System [3.754171077237216]
  本稿では,DRL行動薬の口頭説明作成における新たな取り組みについて報告する。 一般的な状況に言語説明を生成する暗黙の論理を拡張するための学習モデルを提案する。 その結果,両モデルが生成した言語説明は,DRLシステムの解釈可能性に対するユーザの主観的満足度を向上させることがわかった。
  論文  参考訳（メタデータ） (2020-08-04T13:21:19Z)
• SupRB: A Supervised Rule-based Learning System for Continuous Problems [0.0]
  SupRBは、例から品質関数の近似を学習する。 そして、最適な選択をすることができるだけでなく、与えられた状況における選択の質を予測することもできる。 SupRBの応用分野の1つは工業機械のパラメトリゼーションである。
  論文  参考訳（メタデータ） (2020-02-24T14:54:54Z)

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。