論文の概要: Consistent and Truthful Interpretation with Fourier Analysis
- arxiv url: http://arxiv.org/abs/2210.17426v1
- Date: Mon, 31 Oct 2022 15:56:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 14:55:51.282141
- Title: Consistent and Truthful Interpretation with Fourier Analysis
- Title(参考訳): フーリエ解析による一貫性と真理解釈
- Authors: Yifan Zhang, Haowei He, Yang Yuan
- Abstract要約: 真理解釈と呼ばれる新しい概念を導入し、厳密な保証を得るためにブール関数のフーリエ解析を適用する。
様々なラジイを持つ近傍では,他の手法に比べて2倍から50倍低い解釈誤差が得られる。
- 参考スコア(独自算出の注目度): 15.992917892937436
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For many interdisciplinary fields, ML interpretations need to be consistent
with what-if scenarios related to the current case, i.e., if one factor
changes, how does the model react? Although the attribution methods are
supported by the elegant axiomatic systems, they mainly focus on individual
inputs, and are generally inconsistent. To support what-if scenarios, we
introduce a new notion called truthful interpretation, and apply Fourier
analysis of Boolean functions to get rigorous guarantees. Experimental results
show that for neighborhoods with various radii, our method achieves 2x - 50x
lower interpretation error compared with the other methods.
- Abstract(参考訳): 多くの学際的分野において、mlの解釈は、現在のケース、すなわち1つの要因が変化した場合、モデルがどのように反応するかに関するシナリオと一致する必要がある。
帰属法はエレガントな公理系によってサポートされているが、それらは主に個々の入力に焦点を当て、一般に一貫性がない。
そこで我々は,真理解釈という新たな概念を導入し,ブール関数のフーリエ解析を適用して厳密な保証を得る。
実験の結果,様々な半径を持つ地区では,他の手法に比べて2倍から50倍低い解釈誤差が得られた。
関連論文リスト
- Approximating Score-based Explanation Techniques Using Conformal
Regression [0.1843404256219181]
スコアベースの説明可能な機械学習技術は、ブラックボックスモデルの背後にあるロジックを理解するためにしばしば使用される。
本稿では,SHAPなどのスコアベースの説明手法の出力を近似するために,計算コストの低い回帰モデルを提案する。
本稿では,提案モデルから得られた近似的説明を効率的に評価する大規模実証研究の結果を報告する。
論文 参考訳(メタデータ) (2023-08-23T07:50:43Z) - Efficient Alternating Minimization Solvers for Wyner Multi-View
Unsupervised Learning [0.0]
本稿では,計算効率のよい解法の開発を可能にする2つの新しい定式化法を提案する。
提案した解法は, 計算効率, 理論的収束保証, ビュー数による局所最小値複雑性, 最先端技術と比較して, 例外的な精度を提供する。
論文 参考訳(メタデータ) (2023-03-28T10:17:51Z) - 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) - Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。
本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。
いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-07-14T18:18:02Z) - Self-attention fusion for audiovisual emotion recognition with
incomplete data [103.70855797025689]
視覚的感情認識を応用したマルチモーダルデータ解析の問題点を考察する。
本稿では、生データから学習可能なアーキテクチャを提案し、その3つの変種を異なるモダリティ融合機構で記述する。
論文 参考訳(メタデータ) (2022-01-26T18:04:29Z) - Regularizing Variational Autoencoder with Diversity and Uncertainty
Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。
よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文 参考訳(メタデータ) (2021-10-24T07:58:13Z) - Discriminative Attribution from Counterfactuals [64.94009515033984]
本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。
本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
論文 参考訳(メタデータ) (2021-09-28T00:53:34Z) - On Sample Based Explanation Methods for NLP:Efficiency, Faithfulness,
and Semantic Evaluation [23.72825603188359]
我々は、任意のテキストシーケンスを説明単位として許容することにより、説明の解釈可能性を向上させることができる。
本研究では,人間による説明の判断に適合する意味に基づく評価指標を提案する。
論文 参考訳(メタデータ) (2021-06-09T00:49:56Z) - On Guaranteed Optimal Robust Explanations for NLP Models [16.358394218953833]
我々は,マシーン学習のための推論に基づく説明を構築し,ニューラルネットワークモデルのための局所的説明を計算する方法を開発した。
我々は,それぞれ暗黙の打撃集合と最大普遍部分集合に基づく2つの解アルゴリズムを提案する。
SST、Twitter、IMDBデータセットから、広く使用されている3つの感情分析タスクと最大100ワードのテキストに基づいてフレームワークを評価します。
論文 参考訳(メタデータ) (2021-05-08T08:44:48Z) - Learning explanations that are hard to vary [75.30552491694066]
例を越えた平均化は、異なる戦略を縫合する記憶とパッチワークのソリューションに有利であることを示す。
そこで我々は論理ANDに基づく単純な代替アルゴリズムを提案し,実験的に検証する。
論文 参考訳(メタデータ) (2020-09-01T10:17:48Z)
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。