論文の概要: Bayes Point Rule Set Learning
- arxiv url: http://arxiv.org/abs/2204.05251v1
- Date: Mon, 11 Apr 2022 16:50:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 17:12:32.378323
- Title: Bayes Point Rule Set Learning
- Title（参考訳）: ベイズ点ルールセット学習
- Authors: Fabio Aiolli, Luca Bergamin, Tommaso Carraro, Mirko Polato
- Abstract要約: 解釈可能性は、機械学習アルゴリズムの設計においてますます重要な役割を担っている。
可分正規形式は、規則の集合を表現する最も解釈可能な方法である。
本稿では、DNF型ルールセットを学習するために、FIND-Sアルゴリズムの効果的なボトムアップ拡張を提案する。
- 参考スコア（独自算出の注目度）: 5.065947993017157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interpretability is having an increasingly important role in the design of
machine learning algorithms. However, interpretable methods tend to be less
accurate than their black-box counterparts. Among others, DNFs (Disjunctive
Normal Forms) are arguably the most interpretable way to express a set of
rules. In this paper, we propose an effective bottom-up extension of the
popular FIND-S algorithm to learn DNF-type rulesets. The algorithm greedily
finds a partition of the positive examples. The produced DNF is a set of
conjunctive rules, each corresponding to the most specific rule consistent with
a part of positive and all negative examples. We also propose two principled
extensions of this method, approximating the Bayes Optimal Classifier by
aggregating DNF decision rules. Finally, we provide a methodology to
significantly improve the explainability of the learned rules while retaining
their generalization capabilities. An extensive comparison with
state-of-the-art symbolic and statistical methods on several benchmark data
sets shows that our proposal provides an excellent balance between
explainability and accuracy.
- Abstract（参考訳）: 解釈性は、機械学習アルゴリズムの設計においてますます重要な役割を担っている。
しかし、解釈可能な方法はブラックボックスに比べて精度が低い傾向にある。
中でも、DNF (Disjunctive Normal Forms) は規則の集合を表現する最も解釈可能な方法である。
本稿では、DNF型ルールセットを学習するためのFIND-Sアルゴリズムの効果的なボトムアップ拡張を提案する。
アルゴリズムは、正の例の分割をひそかに見つける。
生成された DNF は共役規則の集合であり、それぞれ正および全ての負の例の一部と一致する最も特異な規則に対応する。
また, dnf決定規則を集約することでベイズ最適分類器を近似する, この手法の2つの原理拡張を提案する。
最後に,一般化能力を維持しつつ,学習規則の説明可能性を大幅に向上させる手法を提案する。
いくつかのベンチマークデータセットにおける最先端の記号的および統計的手法との比較により,提案手法は説明可能性と精度のバランスが良好であることを示す。
関連論文リスト
- Obtaining Explainable Classification Models using Distributionally
Robust Optimization [12.511155426574563]
特徴値規則の集合を用いて構築した一般化線形モデルについて検討する。
ルールセットの間隔と予測精度の間には、固有のトレードオフが存在する。
我々はこれらの競合する要因に同時に対処するルールセットの集合を学習するための新しい定式化を提案する。
論文 参考訳（メタデータ） (2023-11-03T15:45:34Z) - Boosting Fair Classifier Generalization through Adaptive Priority Reweighing [59.801444556074394]
より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。
本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
論文 参考訳（メタデータ） (2023-09-15T13:04:55Z) - ChatRule: Mining Logical Rules with Large Language Models for Knowledge
Graph Reasoning [107.61997887260056]
そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。
具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。
生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
論文 参考訳（メタデータ） (2023-09-04T11:38:02Z) - Implicitly normalized forecaster with clipping for linear and non-linear
heavy-tailed multi-armed bandits [85.27420062094086]
Implicitly Normalized Forecaster (INF) は、敵対的マルチアームバンディット(MAB)問題に対する最適解であると考えられている。
重み付き設定のMAB問題に対するクリッピング(INFclip)を用いたINFの新バージョン"Implicitly Normalized Forecaster"を提案する。
INFclipは線形重み付きMAB問題に対して最適であり、非線形問題に対して有効であることを示す。
論文 参考訳（メタデータ） (2023-05-11T12:00:43Z) - Efficient learning of large sets of locally optimal classification rules [0.0]
従来のルール学習アルゴリズムは、単純なルールの集合を見つけることを目的としており、各ルールは可能な限り多くの例をカバーする。
本稿では、この方法で発見されたルールは、それらがカバーする例のそれぞれに対して最適な説明ではないかもしれないと論じる。
本稿では,1つの特殊化ループと1つの一般化ループからなるグリーディ最適化において,各トレーニング例をカバーする最良のルールを見つけることを目的とした,効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-01-24T11:40:28Z) - Machine Learning with Probabilistic Law Discovery: A Concise
Introduction [77.34726150561087]
Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。
PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。
本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
論文 参考訳（メタデータ） (2022-12-22T17:40:13Z) - RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。
RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。
複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
論文 参考訳（メタデータ） (2022-10-24T06:47:13Z) - Interpretable and Fair Boolean Rule Sets via Column Generation [18.08486863429421]
整数プログラムは、規則単純性のために最適に分類精度を交換するように定式化される。
公平性の設定を考慮し、分類パリティの2つの異なる尺度に関する明示的な制約を含むように定式化を拡張した。
他の公正かつ解釈可能な分類器と比較して、我々の手法は、公正性のより厳密な概念に適合する規則セットを精度の低いトレードオフで見つけることができる。
論文 参考訳（メタデータ） (2021-11-16T13:40:28Z) - How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。
我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。
この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
論文 参考訳（メタデータ） (2021-05-05T17:56:00Z) - Better Short than Greedy: Interpretable Models through Optimal Rule
Boosting [10.938624307941197]
ルールアンサンブルは、予測精度とモデル解釈可能性の間の有用なトレードオフを提供するように設計されている。
与えられたアンサンブルサイズに対して最大予測力の規則アンサンブルを適合させる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-01-21T01:03:48Z) - Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。
GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。
オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
論文 参考訳（メタデータ） (2020-03-13T00:32:46Z)
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。