論文の概要: Realistic Counterfactual Explanations by Learned Relations

• arxiv url: http://arxiv.org/abs/2202.07356v1
• Date: Tue, 15 Feb 2022 12:33:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 13:52:09.201862
• Title: Realistic Counterfactual Explanations by Learned Relations
• Title（参考訳）: 学習関係による現実的対実的説明
• Authors: Xintao Xiang and Artem Lenskiy
• Abstract要約: 本稿では,データ属性間の関係を保存した現実的対実的説明に対する新しいアプローチを提案する。 モデルはドメイン知識のない変分自動エンコーダによって関係を直接学習し、それに従って潜伏空間を乱すことを学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many existing methods of counterfactual explanations ignore the intrinsic relationships between data attributes and thus fail to generate realistic counterfactuals. Moreover, the existing methods that account for relationships between data attributes require domain knowledge, which limits their applicability in complex real-world applications. In this paper, we propose a novel approach to realistic counterfactual explanations that preserve relationships between data attributes. The model directly learns the relationships by a variational auto-encoder without domain knowledge and then learns to disturb the latent space accordingly. We conduct extensive experiments on both synthetic and real-world datasets. The results demonstrate that the proposed method learns relationships from the data and preserves these relationships in generated counterfactuals.
• Abstract（参考訳）: 反事実的説明の既存の方法の多くは、データ属性間の内在的な関係を無視するので、現実的反事実を生成することができない。 さらに、データ属性間の関係を説明する既存のメソッドはドメイン知識を必要とし、複雑な現実世界のアプリケーションに適用性を制限する。 本稿では,データ属性間の関係を保存した現実的対実的説明に対する新しいアプローチを提案する。 モデルはドメイン知識のない変分自動エンコーダによって関係を直接学習し、それに従って潜伏空間を乱すことを学習する。 合成と実世界の両方のデータセットについて広範な実験を行う。 その結果,提案手法はデータから関係を学習し,それらの関係を生成された反事実に保存する。

関連論文リスト

• MergeNet: Knowledge Migration across Heterogeneous Models, Tasks, and Modalities [72.68829963458408]
  異種モデルのパラメータ空間のギャップを埋めることを学ぶMergeNetを提案する。 MergeNetの中核となるメカニズムはパラメータアダプタにあり、ソースモデルの低ランクパラメータをクエリすることで動作する。 MergeNetは両方のモデルと共に学習され、我々のフレームワークは、現在のステージに関する知識を動的に転送し、適応することができます。
  論文  参考訳（メタデータ） (2024-04-20T08:34:39Z)
• Deciphering Compatibility Relationships with Textual Descriptions via Extraction and Explanation [28.91572089512024]
  Pair Fashion Explanationデータセットは、互換性関係を照らすためにキュレーションされたユニークなリソースである。 このデータセットを活用する革新的な2段階パイプラインモデルを提案する。 実験では, 知識に富み, 真実の一致した相関関係に整合し, 理解しやすく, 情報に富む記述を生成するモデルの可能性を示す。
  論文  参考訳（メタデータ） (2023-12-17T05:45:49Z)
• Mode Connectivity and Data Heterogeneity of Federated Learning [8.677832361022809]
  フェデレートラーニング(FL)は、複数のクライアントがデータをプライベートに保ちながらモデルをトレーニングすることを可能にする。 これまでの研究では、クライアント間のデータの異質性は、クライアント更新間のドリフトにつながることが示されている。 クライアントモードとグローバルモードの関係に関する実証的および理論的研究を行う。
  論文  参考訳（メタデータ） (2023-09-29T01:49:03Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
  合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。 単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
  論文  参考訳（メタデータ） (2022-06-09T16:24:01Z)
• Attention-based Adversarial Appearance Learning of Augmented Pedestrians [49.25430012369125]
  本稿では,歩行者認識タスクのための現実的なデータを合成する手法を提案する。 本手法は, 対向的損失によって駆動される注意機構を用いて, ドメインの相違を学習する。 提案手法はこのような不一致に対して頑健であり,視覚的リアリズムと意味的整合性の両方を明らかにする。
  論文  参考訳（メタデータ） (2021-07-06T15:27:00Z)
• Mining Feature Relationships in Data [0.0]
  特徴関係マイニング(FRM)は、データの連続的または分類的特徴間の象徴的関係を自動的に発見する遺伝的プログラミング手法である。 提案手法は,特徴間の関係を明確に発見することを目的とした,最初の象徴的アプローチである。 実世界の様々なデータセットに対する実証テストにより、提案手法は高品質で単純な特徴関係を見つけることができることを示した。
  論文  参考訳（メタデータ） (2021-02-02T07:06:16Z)
• Improving Text Relationship Modeling with Artificial Data [0.07614628596146598]
  本稿では,デジタル図書館における関係分類への合成データアプローチの適用と評価を行う。 本書間の全部分関係の分類において、合成データはディープニューラルネットワーク分類器を91%改善することがわかった。
  論文  参考訳（メタデータ） (2020-10-27T22:04:54Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• Discovering Nonlinear Relations with Minimum Predictive Information Regularization [67.7764810514585]
  本稿では,時系列から方向関係を推定する最小限の情報正規化手法を提案する。 本手法は, 合成データセットの非線形関係を学習するための他の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-01-07T04:28:00Z)

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。