論文の概要: Outlier Explanation via Sum-Product Networks

• arxiv url: http://arxiv.org/abs/2207.08414v1
• Date: Mon, 18 Jul 2022 07:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 22:45:04.049522
• Title: Outlier Explanation via Sum-Product Networks
• Title（参考訳）: sum-product network による外れた説明
• Authors: Stefan L\"udtke, Christian Bartelt, Heiner Stuckenschmidt
• Abstract要約: 外見的な説明は、サンプルと通常のデータとを区別する一連の特徴を識別するタスクである。 既存の手法は特徴部分集合の空間におけるビームサーチに基づいている。 Sum-Product Networks (SPNs) に基づく新しい外乱説明アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 10.1303427221932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Outlier explanation is the task of identifying a set of features that distinguish a sample from normal data, which is important for downstream (human) decision-making. Existing methods are based on beam search in the space of feature subsets. They quickly becomes computationally expensive, as they require to run an outlier detection algorithm from scratch for each feature subset. To alleviate this problem, we propose a novel outlier explanation algorithm based on Sum-Product Networks (SPNs), a class of probabilistic circuits. Our approach leverages the tractability of marginal inference in SPNs to compute outlier scores in feature subsets. By using SPNs, it becomes feasible to perform backwards elimination instead of the usual forward beam search, which is less susceptible to missing relevant features in an explanation, especially when the number of features is large. We empirically show that our approach achieves state-of-the-art results for outlier explanation, outperforming recent search-based as well as deep learning-based explanation methods
• Abstract（参考訳）: 外部説明は、サンプルと通常のデータとを区別する一連の特徴を識別するタスクであり、それは下流(人間)の意思決定において重要である。 既存の手法は特徴部分集合の空間におけるビーム探索に基づいている。 機能サブセットごとにスクラッチから異常検出アルゴリズムを実行する必要があるため、それらはすぐに計算コストが高くなる。 この問題を軽減するために,確率回路のクラスである Sum-Product Networks (SPNs) に基づく新しい外乱解析アルゴリズムを提案する。 提案手法は,SPNにおける限界推定のトラクタビリティを活用し,特徴部分集合における外乱スコアを計算する。 spnを使用することで、通常の前方ビーム探索の代わりに後方除算を行うことが実現可能となり、特に特徴数が大きければ、説明における関連する特徴の欠如の影響を受けにくくなる。 提案手法は,最近の検索法とディープラーニングに基づく説明法に勝るものの,外乱説明のための最先端の成果を実証的に示す。

関連論文リスト

• Generating Likely Counterfactuals Using Sum-Product Networks [2.457872341625575]
  提案手法では,多くのデシラタを満足する最も可能性の高い説明の探索を混合整数最適化 (MIO) を用いてモデル化できることが示されている。 本プロセスでは,SPN(Sum-Product Network)のMIO定式化を提案し,SPNを用いて逆実数の可能性を評価する。
  論文  参考訳（メタデータ） (2024-01-25T11:06:16Z)
• Gram-Schmidt Methods for Unsupervised Feature Extraction and Selection [7.373617024876725]
  本稿では,関数空間上のGram-Schmidtプロセスを提案する。 合成および実世界のベンチマークデータセットに対する実験結果を提供する。 驚いたことに、線形特徴抽出アルゴリズムは同等であり、しばしば重要な非線形特徴抽出法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-15T21:29:57Z)
• Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement Learning [53.445068584013896]
  低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。 低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。 簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:06:41Z)
• Approximating a RUM from Distributions on k-Slates [88.32814292632675]
  与えられた分布を平均で最もよく近似するRUMを求める一般化時間アルゴリズムを求める。 我々の理論的結果は、実世界のデータセットに効果的でスケール可能なものを得るという、実践的な結果も得られます。
  論文  参考訳（メタデータ） (2023-05-22T17:43:34Z)
• Efficiently Explaining CSPs with Unsatisfiable Subset Optimization (extended algorithms and examples) [14.163888405810635]
  我々は,制約満足度問題の解法を段階的に説明する手法を最近提案した。 ここでは、コスト関数を用いて単純さを定量化する単純な推論ステップの列を説明する。
  論文  参考訳（メタデータ） (2023-03-21T10:03:36Z)
• On Computing Probabilistic Abductive Explanations [30.325691263226968]
  最も広く研究されているAI(XAI)アプローチは正しくない。 PI説明は重要な欠点も示しており、最も目に見えるものはおそらくその大きさである。 本稿では,多くの広く使用されている分類器に対して,関連する集合を計算するための実践的アプローチについて検討する。
  論文  参考訳（メタデータ） (2022-12-12T15:47:10Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• Search Methods for Sufficient, Socially-Aligned Feature Importance Explanations with In-Distribution Counterfactuals [72.00815192668193]
  特徴重要度(FI)推定は一般的な説明形式であり、テスト時に特定の入力特徴を除去することによって生じるモデル信頼度の変化を計算し、評価することが一般的である。 FIに基づく説明の未探索次元についていくつかの考察を行い、この説明形式に対する概念的および実証的な改善を提供する。
  論文  参考訳（メタデータ） (2021-06-01T20:36:48Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Fibonacci and k-Subsecting Recursive Feature Elimination [2.741266294612776]
  特徴選択は、分類アルゴリズムを高速化する可能性のあるデータマイニングタスクである。 本稿では、Fibonacciとk-Subsecting Recursive Feature Eliminationという2つの新しいアルゴリズムを提案する。 その結果、Fibonacci と k-Subsecting Recursive Feature Elimination は標準 RFE よりもはるかに高速に機能の小さなサブセットを選択することができることがわかった。
  論文  参考訳（メタデータ） (2020-07-29T15:53:04Z)
• Best-First Beam Search [78.71330480725668]
  本研究では,ビームサーチの標準実装を10倍高速に実現可能であることを示す。 ダウンストリーム性能の面でも同様に有益な探索バイアスを有するBest-First Beam Searchのメモリ再生版を提案する。
  論文  参考訳（メタデータ） (2020-07-08T05:56:01Z)

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。