Fugu-MT 論文翻訳(概要): Explaining Preferences with Shapley Values

論文の概要: Explaining Preferences with Shapley Values

arxiv url: http://arxiv.org/abs/2205.13662v1
Date: Thu, 26 May 2022 22:53:41 GMT
ステータス: 処理完了
システム内更新日: 2022-05-31 10:14:45.295658
Title: Explaining Preferences with Shapley Values
Title（参考訳）: 平凡な価値で優先度を説明する
Authors: Robert Hu, Siu Lun Chau, Jaime Ferrando Huertas, Dino Sejdinovic
Abstract要約: ペア比較データのためのShapley値に基づくモデル記述フレームワークであるtextscPref-SHAPを提案する。我々は、好みモデルに適した値関数を導出し、そのフレームワークを拡張して、テニスゲームにおける表面型のようなエンフォンコンテクスト固有の情報をモデル化し、説明する。
参考スコア（独自算出の注目度）: 7.416975335933451
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While preference modelling is becoming one of the pillars of machine learning, the problem of preference explanation remains challenging and underexplored. In this paper, we propose \textsc{Pref-SHAP}, a Shapley value-based model explanation framework for pairwise comparison data. We derive the appropriate value functions for preference models and further extend the framework to model and explain \emph{context specific} information, such as the surface type in a tennis game. To demonstrate the utility of \textsc{Pref-SHAP}, we apply our method to a variety of synthetic and real-world datasets and show that richer and more insightful explanations can be obtained over the baseline.
Abstract（参考訳）: 嗜好モデリングは機械学習の柱の1つとなっているが、嗜好の説明の問題はいまだに困難で未解明である。本稿では,ペア比較データを対象としたShapley値に基づくモデル記述フレームワークである \textsc{Pref-SHAP} を提案する。選好モデルに対する適切な値関数を導出し、さらにフレームワークを拡張して、テニスゲームにおけるサーフェスタイプなどの \emph{context specific} 情報を説明する。 textsc{pref-shap} の有用性を示すために,本手法を様々な合成および実世界のデータセットに適用し,ベースライン上でよりリッチで洞察に富んだ説明が得られることを示す。

関連論文リスト

Explaining Datasets in Words: Statistical Models with Natural Language Parameters [66.69456696878842]
本稿では, クラスタリング, 時系列, 分類モデルなど, 自然言語の述語によってパラメータ化される統計モデル群を紹介する。当社のフレームワークは、ユーザチャット対話の分類、時間の経過とともにどのように進化するかの特徴付け、一方の言語モデルが他方よりも優れているカテゴリを見つけることなど、幅広い問題に適用しています。
論文参考訳（メタデータ） (2024-09-13T01:40:20Z)
Shapley Marginal Surplus for Strong Models [0.9831489366502301]
我々は、Shapley値がモデル予測の正確な説明であるが、機械学習モデル自体が真のデータ生成プロセス(DGP)の貧弱な説明であることを示している。そこで,本研究では,特徴量から推定されるモデル空間を抽出する,新しい変数重要度アルゴリズム,Shapley Marginal Surplus for Strong Modelsを導入する。
論文参考訳（メタデータ） (2024-08-16T17:06:07Z)
Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
論文参考訳（メタデータ） (2024-02-05T03:25:04Z)
Explaining the Model and Feature Dependencies by Decomposition of the Shapley Value [3.0655581300025996]
共有値は、複雑なモデルをエンドユーザに説明するためのゴートメソッドの1つになっています。欠点の1つは、いくつかの機能が欠けている場合、常にモデルの出力を必要とすることである。しかし、これは非自明な選択をもたらす: 未知の機能に条件を付けるか、しないか? 本稿では,両説明を組み合わせ,選択の負担を軽減し,シェープリー値の説明力を高めるアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-19T12:20:23Z)
Learning with Explanation Constraints [91.23736536228485]
我々は、説明がモデルの学習をどのように改善するかを分析するための学習理論フレームワークを提供する。我々は,多数の合成および実世界の実験に対して,我々のアプローチの利点を実証する。
論文参考訳（メタデータ） (2023-03-25T15:06:47Z)
Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文参考訳（メタデータ） (2021-07-07T11:17:09Z)
Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
論文参考訳（メタデータ） (2021-01-21T01:46:36Z)
Accurate and Intuitive Contextual Explanations using Linear Model Trees [0.0]
ローカルなポストホックモデル説明が広く採用されている。技術手法の現状は、初歩的な手法を用いて説明すべき点の周囲に合成データを生成する。我々は、合成データ生成にジェネレーティブ・アドバイサル・ネットワークを使用し、線形モデルツリーの形で断片的な線形モデルを訓練する。
論文参考訳（メタデータ） (2020-09-11T10:13:12Z)
Explaining predictive models with mixed features using Shapley values and conditional inference trees [1.8065361710947976]
シェープな値は、あらゆる種類の機械学習モデルからの予測を説明するためのサウンドメソッドとして際立っている。本研究では,条件付き推論木を用いた特徴の依存構造をモデル化し,混合依存的特徴を説明する手法を提案する。
論文参考訳（メタデータ） (2020-07-02T11:25:45Z)
CoSE: Compositional Stroke Embeddings [52.529172734044664]
本稿では、ストロークベースの描画タスクのような複雑な自由形式構造に対する生成モデルを提案する。我々のアプローチは、自動補完図のようなインタラクティブなユースケースに適している。
論文参考訳（メタデータ） (2020-06-17T15:22:54Z)

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。