論文の概要: Explaining Random Forests using Bipolar Argumentation and Markov Networks (Technical Report)

• arxiv url: http://arxiv.org/abs/2211.11699v1
• Date: Mon, 21 Nov 2022 18:20:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 19:13:00.694808
• Title: Explaining Random Forests using Bipolar Argumentation and Markov Networks (Technical Report)
• Title（参考訳）: Bipolar Argumentation と Markov Networks を用いたランダム林の解説(技術報告)
• Authors: Nico Potyka, Xiang Yin, Francesca Toni
• Abstract要約: ランダムフォレスト(Random forest)は、さまざまな機械学習問題を解決するために使用できる決定木アンサンブルである。 決定過程を推論するために,議論問題として表現することを提案する。 マルコフネットワークエンコーディングを用いて十分な議論的説明を一般化し、これらの説明の関連性について議論し、文献からの帰納的説明の家族との関係を確立する。
• 参考スコア（独自算出の注目度）: 17.9926469947157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Random forests are decision tree ensembles that can be used to solve a variety of machine learning problems. However, as the number of trees and their individual size can be large, their decision making process is often incomprehensible. In order to reason about the decision process, we propose representing it as an argumentation problem. We generalize sufficient and necessary argumentative explanations using a Markov network encoding, discuss the relevance of these explanations and establish relationships to families of abductive explanations from the literature. As the complexity of the explanation problems is high, we discuss a probabilistic approximation algorithm and present first experimental results.
• Abstract（参考訳）: ランダムフォレスト(random forests)は、さまざまな機械学習問題を解決するための決定木アンサンブルである。 しかし、樹木の数と個々のサイズは大きい可能性があるので、その意思決定プロセスは理解できないことが多い。 意思決定過程を判断するために,議論問題として表現することを提案する。 我々は,マルコフネットワークのエンコードを用いて,必要十分かつ必要な議論的説明を一般化し,これらの説明の関連性を議論し,文献からの帰納的説明の家族との関係を確立する。 説明問題の複雑さが高いため,確率近似アルゴリズムについて考察し,最初の実験結果を示す。

関連論文リスト

• Explaining Bayesian Networks in Natural Language using Factor Arguments. Evaluation in the medical domain [5.999262679775618]
  因子論の独立性の概念を導入し、議論がいつ共同で、あるいは別々に提示されるべきかという問題に対処する。 本稿では,その強みによって順序付けられたすべての独立因子の引数のリストを生成するアルゴリズムを提案する。 本提案は,ヒトによる評価研究を通じて,医学領域において検証されている。
  論文  参考訳（メタデータ） (2024-10-23T17:33:27Z)
• Probabilistic Tree-of-thought Reasoning for Answering Knowledge-intensive Complex Questions [93.40614719648386]
  大規模言語モデル(LLM)は、知識集約的な複雑な質問にチェーン・オブ・シント(CoT)推論で答えることができる。 最近の研究は、CoT推論を強化するための外部知識の回収に向けられている。 確率的ツリー・オブ・シント推論(ProbTree)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-23T12:52:37Z)
• Invariant Causal Set Covering Machines [64.86459157191346]
  決定木のようなルールベースのモデルは、解釈可能な性質のために実践者にアピールする。 しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば刺激的な関連に弱いため、因果関係の洞察を抽出することが保証されていない。 Invariant Causal Set Covering Machines は、古典的集合被覆マシンアルゴリズムの拡張であり、二値ルールの結合/分離を可能とし、スプリアス関係を確実に回避する。
  論文  参考訳（メタデータ） (2023-06-07T20:52:01Z)
• Logic for Explainable AI [11.358487655918676]
  説明可能なAIにおける中心的な探求は、(学習された)分類器による決定を理解することである。 本チュートリアルでは,これらの次元に沿った説明可能性に関する包括的・意味的・計算的理論について論じる。
  論文  参考訳（メタデータ） (2023-05-09T04:53:57Z)
• Explanation Selection Using Unlabeled Data for Chain-of-Thought Prompting [80.9896041501715]
  非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。 本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T18:02:34Z)
• Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
  データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。 本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。 在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-24T15:25:16Z)
• On Tackling Explanation Redundancy in Decision Trees [19.833126971063724]
  決定木(DT)は機械学習(ML)モデルの解釈可能性の理想を表わしている。 本稿では, 決定木の解釈可能性と説明の簡潔さが等価である限り, 決定木を解釈可能とみなさざるを得ないことを示す理論的および実験的議論について述べる。
  論文  参考訳（メタデータ） (2022-05-20T05:33:38Z)
• Logical Credal Networks [87.25387518070411]
  本稿では,論理と確率を組み合わせた先行モデルの多くを一般化した表現的確率論的論理である論理的クレダルネットワークを紹介する。 本稿では,不確実性のあるマスターミンドゲームを解くこと,クレジットカード詐欺を検出することを含む,最大後部推論タスクの性能について検討する。
  論文  参考訳（メタデータ） (2021-09-25T00:00:47Z)
• Trading Complexity for Sparsity in Random Forest Explanations [20.87501058448681]
  決定木の厳格な多数を占める主要な要因である主な理由を紹介する。 さまざまなデータセットで実施された実験は、ランタイムの複雑さとスパシティのトレードオフの存在を明らかにしている。
  論文  参考訳（メタデータ） (2021-08-11T15:19:46Z)
• Discrete Reasoning Templates for Natural Language Understanding [79.07883990966077]
  我々は,複雑な質問をより単純な質問に分解する手法を提案する。 事前定義された推論テンプレートの指示に従って最終回答を導出する。 我々のアプローチは、解釈可能でありながら最先端技術と競合し、監督をほとんど必要としないことを示す。
  論文  参考訳（メタデータ） (2021-04-05T18:56:56Z)
• Algorithms for Causal Reasoning in Probability Trees [13.572630988699572]
  離散確率木における因果推論のための具体的なアルゴリズムを提案する。 我々の研究は因果推論の領域を非常に一般的な離散過程のクラスへと拡張する。
  論文  参考訳（メタデータ） (2020-10-23T08:51:52Z)

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。