論文の概要: Learning to Counter: Stochastic Feature-based Learning for Diverse Counterfactual Explanations

• arxiv url: http://arxiv.org/abs/2209.13446v1
• Date: Tue, 27 Sep 2022 15:09:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 14:49:35.106652
• Title: Learning to Counter: Stochastic Feature-based Learning for Diverse Counterfactual Explanations
• Title（参考訳）: 対数学習:様々な対数説明のための確率的特徴ベース学習
• Authors: Vy Vo, Trung Le, Van Nguyen, He Zhao, Edwin Bonilla, Gholamreza Haffari, Dinh Phung
• Abstract要約: 解釈可能な機械学習は、複雑なブラックボックスシステムの推論プロセスを理解しようとする。 解釈するアプローチの1つに、反現実的な説明がある。 対実的トレードオフを効果的にバランスさせる学習ベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 46.89706747651661
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpretable machine learning seeks to understand the reasoning process of complex black-box systems that are long notorious for lack of explainability. One growing interpreting approach is through counterfactual explanations, which go beyond why a system arrives at a certain decision to further provide suggestions on what a user can do to alter the outcome. A counterfactual example must be able to counter the original prediction from the black-box classifier, while also satisfying various constraints for practical applications. These constraints exist at trade-offs between one and another presenting radical challenges to existing works. To this end, we propose a stochastic learning-based framework that effectively balances the counterfactual trade-offs. The framework consists of a generation and a feature selection module with complementary roles: the former aims to model the distribution of valid counterfactuals whereas the latter serves to enforce additional constraints in a way that allows for differentiable training and amortized optimization. We demonstrate the effectiveness of our method in generating actionable and plausible counterfactuals that are more diverse than the existing methods and particularly in a more efficient manner than counterparts of the same capacity.
• Abstract（参考訳）: 解釈可能な機械学習は、説明可能性の欠如で長年悪名高い複雑なブラックボックスシステムの推論プロセスを理解しようとする。 これは、システムが特定の決定に達した理由を超えて、ユーザが結果を変更するために何ができるかをさらに提案するものだ。 逆実例は、ブラックボックス分類器からの元の予測に逆らうことができ、実用用途の様々な制約を満たす必要がある。 これらの制約は、既存の作業に根本的な課題を提示する一方と他方のトレードオフに存在する。 そこで本研究では,対実的トレードオフを効果的にバランスさせる確率論的学習に基づくフレームワークを提案する。 前者は有効なカウンターファクトの配布をモデル化することを目的としており、後者は差別化可能なトレーニングと償却最適化を可能にする方法で追加の制約を強制することを目的としている。 提案手法は,既存の手法よりも多種多様であり,特に同一能力の手法よりも効率的である実効性および実用性のある対物生成における有効性を示す。

関連論文リスト

• Promoting Counterfactual Robustness through Diversity [10.223545393731115]
  対物的説明者は、入力の小さな変更が説明に大きな変更をもたらすという意味で、堅牢性に欠ける可能性がある。 本稿では,多様性基準を用いた近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-11T17:49:25Z)
• Flexible and Robust Counterfactual Explanations with Minimal Satisfiable Perturbations [56.941276017696076]
  我々は、最小満足度摂動(CEMSP)を用いた対実的説明法という概念的に単純だが効果的な解を提案する。 CEMSPは、意味論的に意味のある正常範囲の助けを借りて、異常な特徴の値を変更することを制限している。 既存の手法と比較して、我々は合成データセットと実世界のデータセットの両方で包括的な実験を行い、柔軟性を維持しつつ、より堅牢な説明を提供することを示した。
  論文  参考訳（メタデータ） (2023-09-09T04:05:56Z)
• Endogenous Macrodynamics in Algorithmic Recourse [52.87956177581998]
  対実説明(CE)とアルゴリズム・リコース(AR)に関する既存の研究は、静的環境における個人に主に焦点を当ててきた。 既存の方法論の多くは、一般化されたフレームワークによってまとめて記述できることを示す。 次に、既存のフレームワークは、グループレベルでの言論の内在的ダイナミクスを研究する際にのみ明らかとなるような、隠された対外的関係のコストを考慮に入れていないと論じる。
  論文  参考訳（メタデータ） (2023-08-16T07:36:58Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Generating robust counterfactual explanations [60.32214822437734]
  カウンターファクトの質は、現実主義、行動可能性、妥当性、堅牢性など、いくつかの基準に依存する。 本稿では, 対実的入力変化に対するロバスト性に着目し, 対実的入力変化に対するロバスト性に着目した。 我々は,このトレードオフを効果的に管理し,ユーザに対して最小限の堅牢性を保証するとともに,ロバストなデファクトを生成する新しいフレームワークであるCROCOを提案する。
  論文  参考訳（メタデータ） (2023-04-24T09:00:31Z)
• 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)
• Finding Counterfactual Explanations through Constraint Relaxations [6.961253535504979]
  インタラクティブな制約システムは、しばしばユーザーの制約が矛盾するため、実現不可能(解決策がない)に悩まされる。 不実現性を取り戻すための一般的なアプローチは、システム内の衝突を引き起こす制約を取り除くことである。 本稿では,過度に制約された制約満足度問題における競合検出と最大緩和に基づく反復的手法を提案する。
  論文  参考訳（メタデータ） (2022-04-07T13:18:54Z)
• Efficient computation of contrastive explanations [8.132423340684568]
  対照的な説明と反実的な説明の関係について検討する。 本稿では,多くの標準機械学習モデルの正値(有理)を効率的に計算する2相アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-06T11:50:28Z)

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。