論文の概要: Rethinking Counterfactual Explanations as Local and Regional
Counterfactual Policies
- arxiv url: http://arxiv.org/abs/2209.14568v1
- Date: Thu, 29 Sep 2022 06:08:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 16:27:54.516106
- Title: Rethinking Counterfactual Explanations as Local and Regional
Counterfactual Policies
- Title(参考訳): 地域・地域政策としての反現実的説明の再考
- Authors: Salim I. Amoukou, Nicolas J.B Brunel
- Abstract要約: 本稿では,各観測の局所的反実律を緩やかに規定する確率的枠組みを提案する。
与えられた高い確率で決定を変更できる範囲の値を与えるルールを提供します。
当社の地域および地域ルールは、レコースがデータ配信に忠実であることを保証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Among the challenges not yet resolved for Counterfactual Explanations (CE),
there are stability, synthesis of the various CE and the lack of
plausibility/sparsity guarantees. From a more practical point of view, recent
studies show that the prescribed counterfactual recourses are often not
implemented exactly by the individuals and demonstrate that most
state-of-the-art CE algorithms are very likely to fail in this noisy
environment. To address these issues, we propose a probabilistic framework that
gives a sparse local counterfactual rule for each observation: we provide rules
that give a range of values that can change the decision with a given high
probability instead of giving diverse CE. In addition, the recourses derived
from these rules are robust by construction. These local rules are aggregated
into a regional counterfactual rule to ensure the stability of the
counterfactual explanations across observations. Our local and regional rules
guarantee that the recourses are faithful to the data distribution because our
rules use a consistent estimator of the probabilities of changing the decision
based on a Random Forest. In addition, these probabilities give interpretable
and sparse rules as we select the smallest set of variables having a given
probability of changing the decision. Codes for computing our counterfactual
rules are available, and we compare their relevancy with standard CE and recent
similar attempts.
- Abstract(参考訳): 対実的説明 (CE) でまだ解決されていない課題には、安定性、様々なCEの合成、可否保証の欠如がある。
より実践的な観点から、最近の研究では、規定された反事実的言説は個人によって正しく実装されないことが多く、ほとんどの最先端のCEアルゴリズムがこのノイズの多い環境で失敗する可能性が非常に高いことが示されている。
これらの問題に対処するため,各観測の局所的な反事実的ルールを緩やかに規定する確率的枠組みを提案し,CEを多種多様なものにするのではなく,与えられた高い確率で決定を変更できる範囲の値を与えるルールを提供する。
さらに、これらの規則から導かれた規則は、建設によって堅牢である。
これらの局所規則は、観測全体にわたる反事実説明の安定性を確保するために、地域反事実規則に集約される。
我々の地域および地域ルールは、規則がランダムフォレストに基づいて意思決定を変更する確率を一貫した推定器を使用するため、データ配信に忠実であることを保証する。
さらに、これらの確率は、決定を変更する確率が与えられた最小の変数群を選択するとき、解釈可能かつスパースな規則を与える。
カウンターファクトルールを計算するためのコードも利用可能であり、それらの関連性を標準CEや最近の同様の試みと比較する。
関連論文リスト
- Correcting Underrepresentation and Intersectional Bias for Fair
Classification [55.2480439325792]
偏見バイアスによって劣化したデータから学習する問題について考察し, 正の例を, 一定の数のセンシティブなグループに対して, 異なる未知のレートでフィルタする。
交叉群のメンバーシップが各交叉率を計算不能にするような設定であっても,少数の偏りのないデータを用いてグループワイド・ドロップアウトパラメータを効率的に推定できることが示される。
我々は,この学習と再重み付け過程をカプセル化するアルゴリズムを提案し,高い確率で真の分布に対する仮説のリスクが任意に近いことをPACスタイルの強い保証を提供する。
論文 参考訳(メタデータ) (2023-06-19T18:25:44Z) - Statistical Inference Under Constrained Selection Bias [20.862583584531322]
本稿では,選択バイアスが存在する場合の統計的推測を可能にする枠組みを提案する。
出力は、目標分布に対する推定値に対する高確率境界である。
我々はこれらの境界を推定するための手法の計算的および統計的特性を分析し、これらの手法が様々なシミュレートされた半合成的なタスクに対して情報的境界を生成可能であることを示す。
論文 参考訳(メタデータ) (2023-06-05T23:05:26Z) - Auditing Fairness by Betting [47.53732591434]
我々は,デプロイされた分類モデルと回帰モデルの公平性を評価するための,実用的で効率的で非パラメトリックな手法を提供する。
我々の手法は逐次的であり、入ってくるデータの継続的なモニタリングを可能にする。
提案手法の有効性を3つのベンチマークフェアネスデータセットに示す。
論文 参考訳(メタデータ) (2023-05-27T20:14:11Z) - Conformal Off-Policy Evaluation in Markov Decision Processes [53.786439742572995]
強化学習は、データから効率的な制御ポリシーを特定し評価することを目的としている。
この学習タスクのほとんどの方法は、Off-Policy Evaluation (OPE)と呼ばれ、正確さと確実性を保証するものではない。
本稿では,目標方針の真報を含む区間を所定の確信度で出力するコンフォーマル予測に基づく新しいOPE手法を提案する。
論文 参考訳(メタデータ) (2023-04-05T16:45:11Z) - Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。
理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
論文 参考訳(メタデータ) (2022-06-09T10:39:33Z) - Mapping conditional distributions for domain adaptation under
generalized target shift [0.0]
我々は、条件シフトとラベルシフト(GeTarS)の下でのソースとターゲットドメイン間の教師なしドメイン適応(UDA)の問題を考える。
最近のアプローチでは、ドメイン不変表現を学習するが、実際的な制限があり、実際には成り立たない強い仮定に依存している。
本稿では,既存の欠点を回避した,事前訓練された表現の整合化のための,新規で汎用的なアプローチについて検討する。
論文 参考訳(メタデータ) (2021-10-26T14:25:07Z) - Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian
Noise [59.47042225257565]
雑音分布の明示的な表現に依存しない新しい計画法を提案する。
まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。
いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
論文 参考訳(メタデータ) (2021-10-25T06:18:55Z) - Beyond Discriminant Patterns: On the Robustness of Decision Rule
Ensembles [22.57678894050416]
局所的な決定規則は、関連するパターンの局所的な性質のため、より説明しやすいと一般的に理解されている。
トレーニング環境とデプロイメント環境の両方において堅牢なローカルな意思決定ルールを学習し,アンサンブルするための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-09-21T20:50:10Z) - Accelerated Policy Evaluation: Learning Adversarial Environments with
Adaptive Importance Sampling [19.81658135871748]
安全クリティカルシステムにおけるバイアスまたは不正確な政策評価は、予期せぬ破滅的な失敗を引き起こす可能性がある。
本稿では,稀な事象を同時に発見し,稀な事象の確率を推定するAPE手法を提案する。
APEは、関数近似器を組み込むことにより、大きな離散空間や連続空間にスケーラブルである。
論文 参考訳(メタデータ) (2021-06-19T20:03:26Z) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳(メタデータ) (2021-06-01T12:01:51Z) - Learning Invariant Representations and Risks for Semi-supervised Domain
Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。
共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文 参考訳(メタデータ) (2020-10-09T15:42:35Z)
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。