論文の概要: Finding Counterfactual Explanations through Constraint Relaxations

• arxiv url: http://arxiv.org/abs/2204.03429v1
• Date: Thu, 7 Apr 2022 13:18:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 15:18:57.334994
• Title: Finding Counterfactual Explanations through Constraint Relaxations
• Title（参考訳）: 制約緩和による反事実的説明の探索
• Authors: Sharmi Dev Gupta, Begum Genc and Barry O'Sullivan
• Abstract要約: インタラクティブな制約システムは、しばしばユーザーの制約が矛盾するため、実現不可能(解決策がない)に悩まされる。 不実現性を取り戻すための一般的なアプローチは、システム内の衝突を引き起こす制約を取り除くことである。 本稿では,過度に制約された制約満足度問題における競合検出と最大緩和に基づく反復的手法を提案する。
• 参考スコア（独自算出の注目度）: 6.961253535504979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interactive constraint systems often suffer from infeasibility (no solution) due to conflicting user constraints. A common approach to recover infeasibility is to eliminate the constraints that cause the conflicts in the system. This approach allows the system to provide an explanation as: "if the user is willing to drop out some of their constraints, there exists a solution". However, one can criticise this form of explanation as not being very informative. A counterfactual explanation is a type of explanation that can provide a basis for the user to recover feasibility by helping them understand which changes can be applied to their existing constraints rather than removing them. This approach has been extensively studied in the machine learning field, but requires a more thorough investigation in the context of constraint satisfaction. We propose an iterative method based on conflict detection and maximal relaxations in over-constrained constraint satisfaction problems to help compute a counterfactual explanation.
• Abstract（参考訳）: インタラクティブな制約システムは、しばしばユーザ制約の衝突によって実現不可能(ソリューションなし)に陥る。 不実現性を取り戻すための一般的なアプローチは、システム内の衝突を引き起こす制約を取り除くことである。 このアプローチによって、システムが"ユーザが制約の一部を放棄する意思があれば、ソリューションが存在する"という説明を提供することができる。 しかし、この説明は有益ではないと批判することができる。 反現実的な説明は、ユーザが既存の制約にどの変更を適用できるかを、削除せずに理解することで、実行可能性を取り戻すための基盤を提供することができる説明の一種である。 このアプローチは機械学習の分野で広く研究されているが、制約満足度という文脈でより詳細な調査が必要である。 本稿では,過制約を満たす制約満足度問題における競合検出と最大緩和に基づく反復的手法を提案する。

関連論文リスト

• Deep Neural Network for Constraint Acquisition through Tailored Loss Function [0.0]
  データから制約を学習することの重要性は、実世界の問題解決における潜在的な応用によって裏付けられている。 この研究は、シンボリック回帰に基づくディープニューラルネットワーク(DNN)に基づく新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2024-03-04T13:47:33Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
  データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。 本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。 在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-24T15:25:16Z)
• Feature-based Learning for Diverse and Privacy-Preserving Counterfactual Explanations [46.89706747651661]
  解釈可能な機械学習は複雑なブラックボックスシステムの推論過程を理解しようとする。 優れたアプローチの1つは、ユーザが結果を変更するために何ができるかを示唆する、反ファクト的な説明を通じてである。
  論文  参考訳（メタデータ） (2022-09-27T15:09:13Z)
• Interactively Learning Preference Constraints in Linear Bandits [100.78514640066565]
  我々は、既知の報酬と未知の制約で逐次意思決定を研究する。 応用として,運転シミュレーションにおいて,人間の嗜好を表現するための学習制約を検討する。
  論文  参考訳（メタデータ） (2022-06-10T17:52:58Z)
• Conflict Generalisation in ASP: Learning Correct and Effective Non-Ground Constraints [3.8673630752805432]
  ある問題を解く際に学んだ知識の一般化と再利用は、最先端の解法によって無視されている。 将来的な問題インスタンスの解決を高速化するために、再利用のノウハウを一般化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） (2020-08-07T12:02:32Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• A framework for step-wise explaining how to solve constraint satisfaction problems [21.96171133035504]
  本研究では,人に対する理解が容易な方法で,伝播時に行うことができる推論ステップを説明することの課題について検討する。 そこで我々は, 制約解決者説明可能な機関を提供することを目標とし, 問題解決者への信頼構築に役立てる。
  論文  参考訳（メタデータ） (2020-06-11T11:35:41Z)
• Probably Approximately Correct Constrained Learning [135.48447120228658]
  我々は、ほぼ正しい学習フレームワーク(PAC)に基づく一般化理論を開発する。 PAC学習可能なクラスも制約のある学習者であるという意味では,学習者の導入は学習問題を難しくするものではないことを示す。 このソリューションの特性を分析し,制約付き学習が公平でロバストな分類における問題にどのように対処できるかを説明する。
  論文  参考訳（メタデータ） (2020-06-09T19:59:29Z)

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。