論文の概要: Counterfactual Explanations Using Optimization With Constraint Learning

• arxiv url: http://arxiv.org/abs/2209.10997v1
• Date: Thu, 22 Sep 2022 13:27:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 14:00:12.257285
• Title: Counterfactual Explanations Using Optimization With Constraint Learning
• Title（参考訳）: 制約学習による最適化による反事実説明
• Authors: Donato Maragno, Tabea E. R\"ober, Ilker Birbil
• Abstract要約: 制約学習を用いた最適化手法(CE-OCL)を提案する。 具体的には,制約学習フレームワークによる最適化を,対実的説明の生成に活用する方法について議論する。 また,データ多様体の近接性と多様性に対処する2つの新しいモデリング手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual explanations embody one of the many interpretability techniques that receive increasing attention from the machine learning community. Their potential to make model predictions more sensible to the user is considered to be invaluable. To increase their adoption in practice, several criteria that counterfactual explanations should adhere to have been put forward in the literature. We propose counterfactual explanations using optimization with constraint learning (CE-OCL), a generic and flexible approach that addresses all these criteria and allows room for further extensions. Specifically, we discuss how we can leverage an optimization with constraint learning framework for the generation of counterfactual explanations, and how components of this framework readily map to the criteria. We also propose two novel modeling approaches to address data manifold closeness and diversity, which are two key criteria for practical counterfactual explanations. We test CE-OCL on several datasets and present our results in a case study. Compared against the current state-of-the-art methods, CE-OCL allows for more flexibility and has an overall superior performance in terms of several evaluation metrics proposed in related work.
• Abstract（参考訳）: カウンターファクトの説明は、機械学習コミュニティから注目を集めている多くの解釈可能性技術の1つである。 モデル予測をユーザにとってより賢明にするためのポテンシャルは、貴重であると考えられる。 実際の採用を増やすために、反事実的な説明を遵守すべきいくつかの基準が文献に提示された。 制約学習を用いた最適化(CE-OCL)を用いて,これらすべての基準に対処し,さらなる拡張の余地を許容する汎用的かつ柔軟なアプローチを提案する。 具体的には,制約学習フレームワークを用いた制約学習フレームワークを用いて,対実的説明を生成する方法と,このフレームワークのコンポーネントが基準に容易に対応できる方法について論じる。 また,データ多様体の近さと多様性に対処するための2つの新しいモデリング手法を提案する。 CE-OCLをいくつかのデータセットでテストし,その結果をケーススタディで示す。 現在の最先端の手法と比較すると、CE-OCLはより柔軟性があり、関連する作業で提案されたいくつかの評価指標に関して総合的に優れた性能を持つ。

関連論文リスト

• Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
  対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。 UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。 UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
  論文  参考訳（メタデータ） (2024-02-26T20:09:44Z)
• Faithful Explanations of Black-box NLP Models Using LLM-generated Counterfactuals [67.64770842323966]
  NLPシステムの予測に関する因果的説明は、安全性を確保し、信頼を確立するために不可欠である。 既存の手法は、しばしばモデル予測を効果的または効率的に説明できない。 本稿では, 対物近似(CF)の2つの手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T07:31:04Z)
• Extended High Utility Pattern Mining: An Answer Set Programming Based Framework and Applications [0.0]
  ASPのようなルールベースの言語は、パターンユーティリティを評価するためのユーザが提供する基準を指定するのに適しているようだ。 本稿では,従来の文献では考慮されていない実用基準の新たなクラスを実現するためのフレームワークを提案する。 新型コロナウイルス患者のICU入院を予測するための革新的な方法の定義のために,ビルディングブロックとして活用する。
  論文  参考訳（メタデータ） (2023-03-23T11:42:57Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)
• Task-Free Continual Learning via Online Discrepancy Distance Learning [11.540150938141034]
  本稿では,来訪したサンプルとモデルトレーニングに利用可能な情報全体との差分距離に基づく一般化境界を提供する,新しい理論解析フレームワークを開発する。 この理論モデルに着想を得て,混合モデルに対する動的成分展開機構,すなわちオンライン離散距離学習(ODDL)によって実現された新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-10-12T20:44:09Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Optimization with Constraint Learning: A Framework and Survey [0.0]
  本稿では,制約学習(OCL)による最適化のためのフレームワークを提案する。 i)概念最適化モデルのセットアップ、(ii)データ収集と前処理、(iii)予測モデルの選択とトレーニング、(iv)最適化モデルの解決、(v)最適化モデルの検証と改善。
  論文  参考訳（メタデータ） (2021-10-05T15:42:06Z)
• Joint Contrastive Learning with Infinite Possibilities [114.45811348666898]
  本稿では,新しい確率論的モデリングによるコントラスト学習における最近の発展の有用性について考察する。 コントラスト学習(Joint Contrastive Learning, JCL)という,コントラスト学習の特定の形態を導出する。
  論文  参考訳（メタデータ） (2020-09-30T16:24:21Z)

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。

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。