論文の概要: Interpretable Machine Learning for Self-Service High-Risk Decision-Making

• arxiv url: http://arxiv.org/abs/2205.04032v1
• Date: Mon, 9 May 2022 04:37:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 17:29:41.572015
• Title: Interpretable Machine Learning for Self-Service High-Risk Decision-Making
• Title（参考訳）: セルフサービスハイリスク意思決定のための解釈可能な機械学習
• Authors: Charles Recaido, Boris Kovalerchuk
• Abstract要約: 本稿では,一般的なライン座標における視覚的知識発見による機械学習の解釈に寄与する。 解釈可能なデータセットユニットと一般的なライン座標としてのハイパーブロックの概念を組み合わせて、視覚的なセルフサービス機械学習モデルを作成する。
• 参考スコア（独自算出の注目度）: 7.005458308454871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper contributes to interpretable machine learning via visual knowledge discovery in general line coordinates (GLC). The concepts of hyperblocks as interpretable dataset units and general line coordinates are combined to create a visual self-service machine learning model. The DSC1 and DSC2 lossless multidimensional coordinate systems are proposed. DSC1 and DSC2 can map multiple dataset attributes to a single two-dimensional (X, Y) Cartesian plane using a graph construction algorithm. The hyperblock analysis was used to determine visually appealing dataset attribute orders and to reduce line occlusion. It is shown that hyperblocks can generalize decision tree rules and a series of DSC1 or DSC2 plots can visualize a decision tree. The DSC1 and DSC2 plots were tested on benchmark datasets from the UCI ML repository. They allowed for visual classification of data. Additionally, areas of hyperblock impurity were discovered and used to establish dataset splits that highlight the upper estimate of worst-case model accuracy to guide model selection for high-risk decision-making. Major benefits of DSC1 and DSC2 is their highly interpretable nature. They allow domain experts to control or establish new machine learning models through visual pattern discovery.
• Abstract（参考訳）: 本稿では,一般線座標(GLC)における視覚的知識発見による機械学習の解釈に寄与する。 解釈可能なデータセットユニットと一般的なライン座標としてのハイパーブロックの概念を組み合わせて、視覚的なセルフサービス機械学習モデルを作成する。 DSC1とDSC2の損失のない多次元座標系を提案する。 DSC1とDSC2は、グラフ構築アルゴリズムを用いて、複数のデータセット属性を1つの2次元(X, Y)カルテ面にマッピングすることができる。 ハイパーブロック解析は、視覚的に魅力的なデータセット属性の順序を決定し、ライン閉塞を減らすために用いられた。 ハイパーブロックは決定木規則を一般化でき、一連のdsc1またはdsc2プロットは決定木を視覚化できる。 DSC1とDSC2プロットはUCI MLリポジトリのベンチマークデータセットでテストされた。 彼らはデータの視覚的分類を許可した。 さらに、超ブロック不純物領域が発見され、リスクの高い意思決定のためのモデル選択を導くために最悪のモデル精度の上位推定をハイライトするデータセット分割を確立するために使用された。 DSC1とDSC2の主な利点は、その非常に解釈可能な性質である。 ドメインの専門家は、ビジュアルパターン発見を通じて、新しい機械学習モデルを制御または確立することができる。

関連論文リスト

• Dissecting embedding method: learning higher-order structures from data [0.0]
  データ学習のための幾何学的深層学習法は、しばしば特徴空間の幾何学に関する仮定のセットを含む。 これらの仮定と、データが離散的で有限であるという仮定は、いくつかの一般化を引き起こし、データとモデルの出力の間違った解釈を生み出す可能性がある。
  論文  参考訳（メタデータ） (2024-10-14T08:19:39Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Full High-Dimensional Intelligible Learning In 2-D Lossless Visualization Space [7.005458308454871]
  本研究では,2次元可視化空間(2次元ML)における機械学習分類タスクの新しい手法について検討する。 これは、抽象的なn次元空間でn次元データを処理する必要のない、完全な機械学習アプローチであることが示されている。 2次元空間におけるn-Dパターンの発見を可能にし、n-Dデータのグラフ表現を用いてn-D情報を失うことなく2次元空間におけるn-Dパターンの発見を可能にする。
  論文  参考訳（メタデータ） (2023-05-29T00:21:56Z)
• Interactive Decision Tree Creation and Enhancement with Complete Visualization for Explainable Modeling [0.0]
  決定木(DT)は、多くのブラックボックスMLモデルを理解するために使用されるため、機械学習(ML)において必須である。 完全な視覚的決定木による作成と拡張のための2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-28T23:44:15Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Visual Cluster Separation Using High-Dimensional Sharpened Dimensionality Reduction [65.80631307271705]
  高次元シャープ化DR(HD-SDR)は、合成データセットと実世界のデータセットの両方で試験される。 提案手法は,高品質(品質指標による測定)を達成し,大規模高次元データを用いて計算的に精度よくスケールする。 具体的な応用を説明するため,近年の天文カタログにHD-SDRを適用した。
  論文  参考訳（メタデータ） (2021-10-01T11:13:51Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Supervised Dimensionality Reduction and Visualization using Centroid-encoder [1.2487990897680423]
  Centroid-Encoder (CE) メソッドはオートエンコーダに似ているが、ラベル情報を組み込んで、クラス内のオブジェクトを視覚化スペースを小さくする。 CEは、データのグローバルな構造を捉えながら、低次元の高分散を符号化するために非線形性やラベルを利用する。 我々は,データ分散が複数のモードにまたがる場合に,低次元空間におけるデータから大量の情報を抽出することを示す。
  論文  参考訳（メタデータ） (2020-02-27T06:08:22Z)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)
• CAE-LO: LiDAR Odometry Leveraging Fully Unsupervised Convolutional Auto-Encoder for Interest Point Detection and Feature Description [10.73965992177754]
  2D CAEを用いた球面リングデータから利得点を検出し、3D CAEを用いたマルチレゾリューションボクセルモデルから特徴点を抽出する、完全に教師なしコナールオートエンコーダベースのLiDARオドメトリー(CAE-LO)を提案する。 1)KITTIデータセットに基づく実験により、未構造化シナリオにおける一致の成功率を改善するために、より局所的な詳細を抽出できることが示され、我々の特徴は、マッチング不整合比で50%以上、最先端の成果を上げている。
  論文  参考訳（メタデータ） (2020-01-06T01:26:28Z)

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。