Fugu-MT 論文翻訳(概要): Linear TreeShap

論文の概要: Linear TreeShap

arxiv url: http://arxiv.org/abs/2209.08192v1
Date: Fri, 16 Sep 2022 23:17:15 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 18:44:44.614444
Title: Linear TreeShap
Title（参考訳）: リニアツリーサップ
Authors: Peng Yu, Chao Xu, Albert Bifet, Jesse Read
Abstract要約: 決定木は解釈容易性から有名である。精度を向上させるには、深い木や木々のアンサンブルを育てなければならない。本稿では,より効率的かつ簡単なアルゴリズムであるリニアツリーサップを提案する。
参考スコア（独自算出の注目度）: 16.246232737115218
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Decision trees are well-known due to their ease of interpretability. To improve accuracy, we need to grow deep trees or ensembles of trees. These are hard to interpret, offsetting their original benefits. Shapley values have recently become a popular way to explain the predictions of tree-based machine learning models. It provides a linear weighting to features independent of the tree structure. The rise in popularity is mainly due to TreeShap, which solves a general exponential complexity problem in polynomial time. Following extensive adoption in the industry, more efficient algorithms are required. This paper presents a more efficient and straightforward algorithm: Linear TreeShap. Like TreeShap, Linear TreeShap is exact and requires the same amount of memory.
Abstract（参考訳）: 決定木は解釈の容易さからよく知られている。精度を向上させるには、深い木や木々のアンサンブルを育てなければならない。これらは解釈が難しく、本来の利益を損なう。シェープ値は最近、ツリーベースの機械学習モデルの予測を説明する一般的な方法となっている。これは木構造に依存しない特徴に線形重み付けを提供する。人気が高まったのは、多項式時間における一般的な指数関数的複雑性問題を解くTreeShapによる。業界で広く採用されると、より効率的なアルゴリズムが必要になります。本稿では,より効率的かつ簡単なアルゴリズムであるリニアツリーサップを提案する。 TreeShapと同様、Linear TreeShapも正確で、同じ量のメモリを必要とする。

関連論文リスト

Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
論文参考訳（メタデータ） (2024-02-06T07:40:53Z)
Structure-Unified M-Tree Coding Solver for MathWord Problem [57.825176412485504]
従来,数式表現の2次木構造を考慮に入れたモデルでは,性能が向上した。本稿では、出力構造を統一するために、任意のM枝(M-tree)を持つ木を適用した構造統一M-Tree符号化(S-UMCr)を提案する。広く使われているMAWPSとMath23Kデータセットの実験結果は、SUMC-rが複数の最先端モデルを上回るだけでなく、低リソース条件下でもはるかに優れた性能を発揮することを示した。
論文参考訳（メタデータ） (2022-10-22T12:20:36Z)
Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
論文参考訳（メタデータ） (2022-05-26T12:18:44Z)
Hierarchical Shrinkage: improving the accuracy and interpretability of tree-based methods [10.289846887751079]
木構造を改変しないポストホックアルゴリズムである階層収縮(Hierarchical Shrinkage, HS)を導入する。 HSは、他の正規化技術と併用しても、決定木の予測性能を大幅に向上させる。すべてのコードとモデルはGithubにある本格的なパッケージでリリースされている。
論文参考訳（メタデータ） (2022-02-02T02:43:23Z)
Tree in Tree: from Decision Trees to Decision Graphs [2.2336243882030025]
Tree in Tree decision graph (TnT)は、従来の決定木をより汎用的で強力な非巡回グラフに拡張するフレームワークである。提案するモデルは,広く用いられている決定木に代わる,新しい,より効率的かつ正確な代替手段である。
論文参考訳（メタデータ） (2021-10-01T13:20:05Z)
Dive into Decision Trees and Forests: A Theoretical Demonstration [0.0]
決定木は"divide-and-conquer"の戦略を使用して、入力機能とラベル間の依存性に関する複雑な問題を小さなものに分割します。近年, 計算広告, 推薦システム, 情報検索などの性能が大幅に向上している。
論文参考訳（メタデータ） (2021-01-20T16:47:59Z)
Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文参考訳（メタデータ） (2020-12-29T18:05:05Z)
Convex Polytope Trees [57.56078843831244]
コンベックスポリトープ木(CPT)は、決定境界の解釈可能な一般化によって決定木の系統を拡張するために提案される。木構造が与えられたとき,木パラメータに対するCPTおよび拡張性のあるエンドツーエンドトレーニングアルゴリズムを効率的に構築する。
論文参考訳（メタデータ） (2020-10-21T19:38:57Z)
MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文参考訳（メタデータ） (2020-07-24T17:06:55Z)
Born-Again Tree Ensembles [9.307453801175177]
ツリーアンサンブルは、様々な領域で優れた予測品質を提供するが、複数のツリーの同時使用により、アンサンブルの解釈可能性が低下する。本研究では,その特徴空間全体において,与えられたツリーのアンサンブルと全く同じ振る舞いを再現する,最小サイズの1つの決定木を構築する過程について検討する。このアルゴリズムは、実践的な関心のある多くのデータセットに対して最適な生長木を生成する。
論文参考訳（メタデータ） (2020-03-24T22:17:21Z)

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。