論文の概要: A Design Space for Explainable Ranking and Ranking Models
- arxiv url: http://arxiv.org/abs/2205.15305v1
- Date: Fri, 27 May 2022 07:56:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-05 07:15:50.594869
- Title: A Design Space for Explainable Ranking and Ranking Models
- Title（参考訳）: 説明可能なランキング・ランキングモデルのための設計空間
- Authors: I. Al Hazwani (1 and 2), J. Schmid (1), M. Sachdeva (1) and J. Bernard
(1 and 2) ((1) University of Zurich, (2) Digital Society Initiative)
- Abstract要約: 本稿では,レコメンデータシステム,説明可能なAI,可視化研究の観点からの説明的アプローチの研究について報告する。
項目ランキングの解説者に対して,最初のクロスドメイン設計空間を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Item ranking systems support users in multi-criteria decision-making tasks.
Users need to trust rankings and ranking algorithms to reflect user preferences
nicely while avoiding systematic errors and biases. However, today only few
approaches help end users, model developers, and analysts to explain rankings.
We report on the study of explanation approaches from the perspectives of
recommender systems, explainable AI, and visualization research and propose the
first cross-domain design space for explainers of item rankings. In addition,
we leverage the descriptive power of the design space to characterize a)
existing explainers and b) three main user groups involved in ranking
explanation tasks. The generative power of the design space is a means for
future designers and developers to create more target-oriented solutions in
this only weakly exploited space.
- Abstract（参考訳）: 項目ランキングシステムは、複数基準の意思決定タスクでユーザを支援する。
ユーザは、システムのエラーやバイアスを避けながら、ユーザの好みを良く反映するために、ランキングやランキングアルゴリズムを信頼する必要がある。
しかし今日では、エンドユーザー、モデル開発者、アナリストがランキングを説明するのに役立つアプローチはごくわずかである。
本稿では,レコメンダシステム,説明可能なai,可視化研究の観点から説明アプローチの研究を報告し,項目ランキングの解説者のための最初のクロスドメインデザイン空間を提案する。
さらに,デザイン空間の記述力を活用して特徴付けする。
a) 既存の説明者及び
b) 説明課題のランク付けに関わる3つの主要なユーザグループ
デザインスペースのジェネレーティブなパワーは、将来のデザイナーや開発者がこの弱い搾取されたスペースでよりターゲット指向のソリューションを作るための手段です。
関連論文リスト
- Optimal Design for Human Preference Elicitation [17.520528548509944]
学習嗜好モデルのための効率的な人選好評価法について検討する。
鍵となる考え方は、最適な情報収集ポリシーを計算するための方法論である最適設計を一般化することである。
提案アルゴリズムは,既存の問合せ問題に対して評価を行うことにより実用的であることを示す。
論文 参考訳（メタデータ） (2024-04-22T06:05:35Z) - Evaluating the Utility of Model Explanations for Model Development [54.23538543168767]
機械学習モデル構築の実践シナリオにおいて、説明が人間の意思決定を改善するかどうかを評価する。
驚いたことに、サリエンシマップが提供されたとき、タスクが大幅に改善されたという証拠は見つからなかった。
以上の結果から,サリエンシに基づく説明における誤解の可能性と有用性について注意が必要であることが示唆された。
論文 参考訳（メタデータ） (2023-12-10T23:13:23Z) - TRIVEA: Transparent Ranking Interpretation using Visual Explanation of
Black-Box Algorithmic Rankers [4.336037935247747]
ランク付けスキームは、どこで勉強するか、誰を雇うか、何を買うかなど、多くの現実世界の意思決定を促します。
これらの決定の核心は、データエンティティの順序を決定する不透明なランキングスキームである。
我々は、利用可能なデータから学習するアルゴリズム的なランク付けと、説明可能なAI(XAI)手法を用いて学習したランキング差について人間の推論を行うことで、ランキング解釈における透明性の実現を目指している。
論文 参考訳（メタデータ） (2023-08-28T16:58:44Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z) - Investigating Positive and Negative Qualities of Human-in-the-Loop
Optimization for Designing Interaction Techniques [55.492211642128446]
設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。
モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。
一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
論文 参考訳（メタデータ） (2022-04-15T20:40:43Z) - From Intrinsic to Counterfactual: On the Explainability of
Contextualized Recommender Systems [43.93801836660617]
本研究では、コンテキスト的特徴(例えば、ユーザからの項目レビュー)を活用することで、一連の説明可能なレコメンデータシステムを設計できることを示す。
モデルの透明性を段階的に変化させる3つの方法として,ホワイトボックス,グレーボックス,ブラックボックスの3種類を提案する。
我々のモデルは高い競争力のあるランキング性能を達成し、多数の量的指標と定性的な視覚化の観点から正確かつ効果的な説明を生成する。
論文 参考訳（メタデータ） (2021-10-28T01:54:04Z) - Counterfactual Explainable Recommendation [22.590877963169103]
本稿では、因果推論から反実的推論の洞察を取り入れて説明可能な推薦を行うCountERを提案する。
CountERは、モデル決定に対して単純(低複雑性)で効果的な(高強度)説明を求める。
以上の結果から,我々のモデルは,最先端のレコメンデーションモデルよりも正確かつ効果的に説明できることを示す。
論文 参考訳（メタデータ） (2021-08-24T06:37:57Z) - A Design Space Study for LISTA and Beyond [79.76740811464597]
近年では、反復アルゴリズムの展開による問題固有のディープネットワーク構築に大きな成功を収めている。
本稿では,深層ネットワークにおける設計アプローチとしてのアンローリングの役割について再考する。
スパースリカバリのためのlistaを代表例として,未ロールモデルに対する設計空間調査を初めて実施した。
論文 参考訳（メタデータ） (2021-04-08T23:01:52Z) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-03T05:04:38Z) - Evaluations and Methods for Explanation through Robustness Analysis [117.7235152610957]
分析による特徴に基づく説明の新たな評価基準を確立する。
我々は、緩やかに必要であり、予測に十分である新しい説明を得る。
我々は、現在の予測をターゲットクラスに移動させる一連の特徴を抽出するために、説明を拡張します。
論文 参考訳（メタデータ） (2020-05-31T05:52:05Z) - Valid Explanations for Learning to Rank Models [5.320400771224103]
本稿では,入力特徴の少数のサブセットをランキング決定の理由として同定するモデルに依存しない局所的説明法を提案する。
我々は,選択された特徴の有無に基づいて,ランク付けに特化して説明の妥当性と完全性という新たな概念を導入する。
論文 参考訳（メタデータ） (2020-04-29T06:21:56Z)
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。