論文の概要: FOLD-SE: Scalable Explainable AI
- arxiv url: http://arxiv.org/abs/2208.07912v1
- Date: Tue, 16 Aug 2022 19:15:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:10:33.514475
- Title: FOLD-SE: Scalable Explainable AI
- Title（参考訳）: FOLD-SE: スケーラブルな説明可能なAI
- Authors: Huaduo Wang and Gopal Gupta
- Abstract要約: 本稿では、スケーラブルな説明可能性(SE)を提供するFOLD-R++アルゴリズムであるFOLD-SEの改善について述べる。
学習ルールと学習リテラルの数は少なく、したがって人間によって理解され、分類における優れた性能を維持している。
- 参考スコア（独自算出の注目度）: 3.1981440103815717
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: FOLD-R++ is a highly efficient and explainable rule-based machine learning
algorithm for binary classification tasks. It generates a stratified normal
logic program as an (explainable) trained model. We present an improvement over
the FOLD-R++ algorithm, termed FOLD-SE, that provides scalable explainability
(SE) while inheriting all the merits of FOLD-R++. Scalable explainability means
that regardless of the size of the dataset, the number of learned rules and
learned literals stay small and, hence, understandable by human beings, while
maintaining good performance in classification. FOLD-SE is competitive in
performance with state-of-the-art algorithms such as XGBoost and Multi-Layer
Perceptrons (MLP). However, unlike XGBoost and MLP, the FOLD-SE algorithm
generates a model with scalable explainability. The FOLD-SE algorithm
outperforms FOLD-R++ and RIPPER algorithms in efficiency, performance, and
explainability, especially for large datasets. The FOLD-RM algorithm is an
extension of FOLD-R++ for multi-class classification tasks. An improved FOLD-RM
algorithm built upon FOLD-SE is also presented.
- Abstract（参考訳）: fold-r++は、バイナリ分類タスクのための高効率で説明可能なルールベースの機械学習アルゴリズムである。
階層化された正規論理プログラムを(説明可能な)訓練されたモデルとして生成する。
本稿では,FOLD-R++の利点をすべて継承しつつ,スケーラブルな説明可能性(SE)を提供するFOLD-R++アルゴリズムの改良について述べる。
スケーラブルな説明可能性とは、データセットのサイズに関わらず、学習されたルールと学習されたリテラルの数は小さく、したがって人間が理解できると同時に、分類のパフォーマンスも良好であることを意味する。
FOLD-SEは、XGBoostやMulti-Layer Perceptrons (MLP)のような最先端のアルゴリズムと競合する。
しかし、XGBoostやMLPとは異なり、FOLD-SEアルゴリズムはスケーラブルな説明性を持つモデルを生成する。
FOLD-SEアルゴリズムはFOLD-R++およびRIPPERアルゴリズムよりも効率、性能、説明可能性、特に大規模データセットにおいて優れている。
FOLD-RMアルゴリズムは、多クラス分類タスクのためのFOLD-R++の拡張である。
また,FOLD-SEに基づく改良されたFOLD-RMアルゴリズムについても述べる。
関連論文リスト
- CON-FOLD -- Explainable Machine Learning with Confidence [0.18416014644193066]
FOLD-RMは、説明可能な機械学習分類アルゴリズムである。
FOLD-RMを拡張したCON-FOLDを提案する。
本稿では、FOLD-RMルールのユニークな構造を用いて、ルールを効率よくプーンし、過度な適合を防ぐ信頼性ベースのプルーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-14T23:45:21Z) - The Power of Resets in Online Reinforcement Learning [73.64852266145387]
ローカルシミュレータアクセス(あるいはローカルプランニング)を用いたオンライン強化学習を通してシミュレータのパワーを探求する。
カバー性が低いMPPは,Qstar$-realizabilityのみのサンプル効率で学習可能であることを示す。
ローカルシミュレーターアクセス下では, 悪名高いExogenous Block MDP問題が抽出可能であることを示す。
論文 参考訳（メタデータ） (2024-04-23T18:09:53Z) - Efficient GNN Explanation via Learning Removal-based Attribution [56.18049062940675]
本稿では,LARA (LeArn removal-based Attribution) というGNN説明の枠組みを提案し,この問題に対処する。
LARAの解説者は、高い忠実度で説明を提供することができる除去に基づく属性を生成することを学ぶ。
特に、LARAは3.5倍高速で、大きなデータセットogbn-arxivの最先端の手法よりも忠実である。
論文 参考訳（メタデータ） (2023-06-09T08:54:20Z) - Logical Entity Representation in Knowledge-Graphs for Differentiable
Rule Learning [71.05093203007357]
本稿では,知識グラフ内のエンティティのコンテキスト情報をエンコードするための論理エンティティ・リプレゼンテーション(LERP)を提案する。
LERPは、エンティティの隣接部分グラフ上の確率論的論理関数のベクトルとして設計されている。
我々のモデルは知識グラフ補完において他のルール学習法よりも優れており、最先端のブラックボックス法に匹敵する、あるいは優れている。
論文 参考訳（メタデータ） (2023-05-22T05:59:22Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - FOLD-TR: A Scalable and Efficient Inductive Learning Algorithm for
Learning To Rank [3.1981440103815717]
FOLD-R++はバイナリ分類タスクのための新しい帰納学習アルゴリズムである。
本稿では,FOLD-TRというランキングフレームワークを用いたFOLD-R++アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-15T04:46:49Z) - FOLD-RM: A Scalable and Efficient Inductive Learning Algorithm for
Multi-Category Classification of Mixed Data [3.1981440103815717]
FOLD-RMは、混合(数値と分類)データのデフォルトルールを学習するための自動帰納学習アルゴリズムである。
マルチカテゴリ分類タスクのための(説明可能な)応答セットプログラミング(ASP)ルールセットを生成する。
論文 参考訳（メタデータ） (2022-02-14T18:07:54Z) - FOLD-R++: A Toolset for Automated Inductive Learning of Default Theories
from Mixed Data [2.741266294612776]
FOLD-Rは、(数値と分類の)混合データを除いてデフォルトルールを学習するための自動帰納学習アルゴリズムである。
本稿では,FOLD-R++と呼ばれる改良されたFOLD-Rアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-10-15T03:55:13Z) - A Clustering and Demotion Based Algorithm for Inductive Learning of
Default Theories [4.640835690336653]
正および負の例から非単調論理プログラムを誘導するクラスタリングとデモーションに基づくアルゴリズムKmeans-FOLDを提案する。
本アルゴリズムは,FOLDアルゴリズムと比較して,より簡潔な論理プログラムを生成する。
UCIデータセットの実験では、K-Meansクラスタリングと当社のデモーション戦略の組み合わせによって、複数の肯定的な例のクラスタを持つデータセットに対して、大幅な改善が達成されている。
論文 参考訳（メタデータ） (2021-09-26T14:50:18Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - Interpretable Learning-to-Rank with Generalized Additive Models [78.42800966500374]
ラーニング・ツー・ランクのモデルの解釈可能性は、非常に重要でありながら、比較的過小評価されている研究分野である。
解釈可能なランキングモデルの最近の進歩は、主に既存のブラックボックスランキングモデルに対するポストホックな説明の生成に焦点を当てている。
一般化加法モデル(GAM)をランキングタスクに導入することにより,本質的に解釈可能な学習 to ランクの基盤を築いた。
論文 参考訳（メタデータ） (2020-05-06T01:51:30Z)
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。