論文の概要: DALE: Differential Accumulated Local Effects for efficient and accurate
global explanations
- arxiv url: http://arxiv.org/abs/2210.04542v1
- Date: Mon, 10 Oct 2022 10:27:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 18:39:14.831930
- Title: DALE: Differential Accumulated Local Effects for efficient and accurate
global explanations
- Title（参考訳）: DALE: 効率的かつ正確なグローバル説明のための差分蓄積局所効果
- Authors: Vasilis Gkolemis, Theodore Dalamagas, Christos Diou
- Abstract要約: 累積局所効果(英: Accumulated Local Effect, ALE)は、特徴効果を正確に推定する方法である。
本稿では,MLモデルが微分可能であれば,DALE(differial Accumulated Local Effects)を提案する。
- 参考スコア（独自算出の注目度）: 3.3646058754940738
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accumulated Local Effect (ALE) is a method for accurately estimating feature
effects, overcoming fundamental failure modes of previously-existed methods,
such as Partial Dependence Plots. However, ALE's approximation, i.e. the method
for estimating ALE from the limited samples of the training set, faces two
weaknesses. First, it does not scale well in cases where the input has high
dimensionality, and, second, it is vulnerable to out-of-distribution (OOD)
sampling when the training set is relatively small. In this paper, we propose a
novel ALE approximation, called Differential Accumulated Local Effects (DALE),
which can be used in cases where the ML model is differentiable and an
auto-differentiable framework is accessible. Our proposal has significant
computational advantages, making feature effect estimation applicable to
high-dimensional Machine Learning scenarios with near-zero computational
overhead. Furthermore, DALE does not create artificial points for calculating
the feature effect, resolving misleading estimations due to OOD sampling.
Finally, we formally prove that, under some hypotheses, DALE is an unbiased
estimator of ALE and we present a method for quantifying the standard error of
the explanation. Experiments using both synthetic and real datasets demonstrate
the value of the proposed approach.
- Abstract（参考訳）: 累積局所効果(英: Accumulated Local Effect, ALE)は、部分依存プロットのような既存の手法の基本的障害モードを克服し、特徴効果を正確に推定する手法である。
しかし、ALEの近似、すなわちトレーニングセットの限られたサンプルからALEを推定する方法は、2つの弱点に直面している。
第一に、入力が高次元性である場合にはスケールが良くなく、第二に、トレーニングセットが比較的小さい場合には、アウト・オブ・ディストリビューション(OOD)サンプリングに弱い。
本稿では,MLモデルが微分可能で,自動微分可能なフレームワークが利用できる場合に使用できる,微分局所効果(DALE)と呼ばれる新しいALE近似を提案する。
提案手法は,計算オーバーヘッドがほぼゼロな高次元機械学習シナリオに適用可能な特徴効果推定を実現する。
さらに、DALEは、OODサンプリングによる誤解を招く推定を解消し、特徴効果を計算するための人工的なポイントを作成しない。
最後に、ある仮説の下でデールがエールの偏りのない推定子であることを正式に証明し、説明の標準誤差を定量化する方法を提案する。
合成データと実データの両方を用いた実験は、提案手法の価値を示している。
関連論文リスト
- Distributionally Robust Optimization as a Scalable Framework to Characterize Extreme Value Distributions [22.765095010254118]
本研究の目的は分散ロバストな最適化 (DRO) 推定器の開発であり、特に多次元極値理論 (EVT) の統計量についてである。
点過程の空間における半パラメトリックな最大安定制約によって予測されるDRO推定器について検討した。
両手法は, 合成データを用いて検証し, 所定の特性を回復し, 提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-07-31T19:45:27Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - RHALE: Robust and Heterogeneity-aware Accumulated Local Effects [8.868822699365616]
累積局所効果(英: Accumulated Local Effects, ALE)は、ある特徴の出力に対する平均効果を分離するための広く使われている説明可能性法である。
これは、平均的な(グローバルな)効果からインスタンスレベル(局所的な)効果の偏りを定量化していない。
本稿ではこれらの制約に対処するため,Robust と Heterogeneity-aware ALE (RHALE) を提案する。
論文 参考訳（メタデータ） (2023-09-20T10:27:41Z) - DF2: Distribution-Free Decision-Focused Learning [53.2476224456902]
決定中心学習(DFL)は近年,予測最適化問題に対する強力なアプローチとして出現している。
既存のエンドツーエンドDFL法は、モデル誤差、サンプル平均近似誤差、予測対象の分布に基づくパラメータ化の3つの重大なボトルネックによって妨げられている。
DF2は,これら3つのボトルネックに明示的に対処するために設計された,初となるテキストフリーな意思決定型学習手法である。
論文 参考訳（メタデータ） (2023-08-11T00:44:46Z) - 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) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-11T03:38:16Z) - Doubly Robust Semiparametric Difference-in-Differences Estimators with
High-Dimensional Data [15.27393561231633]
不均一な治療効果を推定するための2段半パラメトリック差分差分推定器を提案する。
第1段階では、確率スコアを推定するために、一般的な機械学習手法が使用できる。
第2段階ではパラメトリックパラメータと未知関数の両方の収束率を導出する。
論文 参考訳（メタデータ） (2020-09-07T15:14:29Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳（メタデータ） (2019-12-30T14:42:52Z)
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。