論文の概要: FIND:Explainable Framework for Meta-learning
- arxiv url: http://arxiv.org/abs/2205.10362v1
- Date: Fri, 20 May 2022 02:38:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-24 15:07:12.356622
- Title: FIND:Explainable Framework for Meta-learning
- Title(参考訳): FIND:メタ学習のための説明可能なフレームワーク
- Authors: Xinyue Shao, Hongzhi Wang, Xiao Zhu, Feng Xiong
- Abstract要約: 本稿では,メタ学習アルゴリズム選択の推薦結果を説明するための解釈可能なメタ学習フレームワークであるFINDを提案する。
この枠組みの妥当性と正当性は広範な実験によって実証されている。
- 参考スコア(独自算出の注目度): 6.336941090564428
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Meta-learning is used to efficiently enable the automatic selection of
machine learning models by combining data and prior knowledge. Since the
traditional meta-learning technique lacks explainability, as well as
shortcomings in terms of transparency and fairness, achieving explainability
for meta-learning is crucial. This paper proposes FIND, an interpretable
meta-learning framework that not only can explain the recommendation results of
meta-learning algorithm selection, but also provide a more complete and
accurate explanation of the recommendation algorithm's performance on specific
datasets combined with business scenarios. The validity and correctness of this
framework have been demonstrated by extensive experiments.
- Abstract(参考訳): メタラーニングは、データと事前知識を組み合わせることで、機械学習モデルの自動選択を有効にするために使用される。
従来のメタ学習技術では、説明可能性や透明性と公平性の欠点が欠如しているため、メタ学習の説明可能性を達成することが不可欠である。
本稿では、メタ学習アルゴリズム選択の推奨結果を説明するだけでなく、ビジネスシナリオと組み合わせた特定のデータセット上での推奨アルゴリズムのパフォーマンスをより完全かつ正確に説明できる解釈可能なメタ学習フレームワークであるFINDを提案する。
この枠組みの有効性と正確性は広範な実験によって実証されている。
関連論文リスト
- Informed Meta-Learning [55.2480439325792]
メタラーニングとインシデントMLは、事前知識をMLパイプラインに組み込むための2つのアプローチとして際立っている。
我々は,非構造化知識表現からの事前の取り込みを容易にする,情報メタラーニングというハイブリッドパラダイムを定式化する。
データ効率、観測ノイズに対する堅牢性、タスク分散シフトを改善する上で、情報メタラーニングの潜在的な利点を実証する。
論文 参考訳(メタデータ) (2024-02-25T15:08:37Z) - More Flexible PAC-Bayesian Meta-Learning by Learning Learning Algorithms [15.621144215664769]
PAC-Bayesian理論を用いたメタラーニング手法の研究のための新しいフレームワークを提案する。
私たちの大きな利点は、タスク間の知識の伝達を実現する方法において、柔軟性を高めることです。
論文 参考訳(メタデータ) (2024-02-06T15:00:08Z) - Concept Discovery for Fast Adapatation [42.81705659613234]
データ特徴間の構造をメタラーニングすることで、より効果的な適応を実現する。
提案手法は,概念ベースモデル非依存メタラーニング(COMAML)を用いて,合成されたデータセットと実世界のデータセットの両方に対して,構造化データの一貫した改善を実現する。
論文 参考訳(メタデータ) (2023-01-19T02:33:58Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳(メタデータ) (2022-05-31T04:57:06Z) - Online Structured Meta-learning [137.48138166279313]
現在のオンラインメタ学習アルゴリズムは、グローバルに共有されたメタラーナーを学ぶために限られている。
この制限を克服するオンライン構造化メタラーニング(OSML)フレームワークを提案する。
3つのデータセットの実験は、提案フレームワークの有効性と解釈可能性を示している。
論文 参考訳(メタデータ) (2020-10-22T09:10:31Z) - Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。
我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。
我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文 参考訳(メタデータ) (2020-10-01T15:59:31Z) - Meta-Baseline: Exploring Simple Meta-Learning for Few-Shot Learning [79.25478727351604]
評価基準に基づいて,分類済みモデル全体に対するメタラーニング(メタラーニング)を提案する。
我々は,この単純な手法が標準ベンチマークにおける最先端手法との競合性能を達成するのを観察する。
論文 参考訳(メタデータ) (2020-03-09T20:06:36Z) - Towards explainable meta-learning [5.802346990263708]
メタラーニングは、さまざまな機械学習アルゴリズムが幅広い予測タスクでどのように機能するかを発見することを目的としている。
State of the Artアプローチは、最高のメタモデルを探すことに重点を置いているが、これらの異なる側面がパフォーマンスにどのように貢献するかは説明していない。
ブラックボックスサロゲートモデルから知識を抽出するために,eXplainable Artificial Intelligence (XAI) のために開発された手法を提案する。
論文 参考訳(メタデータ) (2020-02-11T09:42:29Z) - Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。
タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。
この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
論文 参考訳(メタデータ) (2020-02-03T06:13:01Z)
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。