論文の概要: Truthful Meta-Explanations for Local Interpretability of Machine
Learning Models
- arxiv url: http://arxiv.org/abs/2212.03513v1
- Date: Wed, 7 Dec 2022 08:32:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 15:29:40.156609
- Title: Truthful Meta-Explanations for Local Interpretability of Machine
Learning Models
- Title(参考訳): 機械学習モデルの局所的解釈可能性のための真理的メタ説明
- Authors: Ioannis Mollas, Nick Bassiliades, Grigorios Tsoumakas
- Abstract要約: 本稿では,忠実度に基づく計量である真理度測定に基づいて,局所的メタ説明手法を提案する。
本研究は,すべての概念を具体的に定義し,実験を通じて,技術と計量の両立を実証する。
- 参考スコア(独自算出の注目度): 10.342433824178825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated Machine Learning-based systems' integration into a wide range of
tasks has expanded as a result of their performance and speed. Although there
are numerous advantages to employing ML-based systems, if they are not
interpretable, they should not be used in critical, high-risk applications
where human lives are at risk. To address this issue, researchers and
businesses have been focusing on finding ways to improve the interpretability
of complex ML systems, and several such methods have been developed. Indeed,
there are so many developed techniques that it is difficult for practitioners
to choose the best among them for their applications, even when using
evaluation metrics. As a result, the demand for a selection tool, a
meta-explanation technique based on a high-quality evaluation metric, is
apparent. In this paper, we present a local meta-explanation technique which
builds on top of the truthfulness metric, which is a faithfulness-based metric.
We demonstrate the effectiveness of both the technique and the metric by
concretely defining all the concepts and through experimentation.
- Abstract(参考訳): 機械学習ベースのシステムの幅広いタスクへの統合の自動化は、そのパフォーマンスとスピードの結果として拡大した。
MLベースのシステムを採用するには多くの利点があるが、解釈不可能な場合、人間の命が危険にさらされているクリティカルでハイリスクなアプリケーションで使用するべきではない。
この問題に対処するため、研究者や企業は複雑なMLシステムの解釈可能性を改善する方法を模索しており、いくつかの方法が開発されている。
実際、多くの技術が開発されているため、評価基準を使用しても、実践者がアプリケーションに最適なものを選択することは困難です。
その結果,高品質な評価基準に基づくメタ説明手法である選択ツールの需要が明らかになった。
本稿では,忠実度に基づく尺度である真理度基準の上に構築された局所的メタ説明手法を提案する。
本研究は,すべての概念を具体的に定義し,実験を通じて,技術と計量の両立を実証する。
関連論文リスト
- Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - MTAD: Tools and Benchmarks for Multivariate Time Series Anomaly
Detection [34.81779490744863]
本稿では,12種類の最先端異常検出手法の総合的なレビューと評価を行う。
本研究では,種々の異常検出器の特性をよりよく理解するために,サリエンスと呼ばれる新しい指標を提案する。
本稿では, 産業展開において, 精度, サリエンス, 効率, 遅延の両面からベンチマーク結果を報告する。
論文 参考訳(メタデータ) (2024-01-10T06:50:25Z) - Towards an Efficient ML System: Unveiling a Trade-off between Task
Accuracy and Engineering Efficiency in a Large-scale Car Sharing Platform [0.0]
本稿では,実践者のドメインに存在する多数のデータセット,分類器,配布外検知器,予測テーブルを単一のMLに記述する,テキスト効率中心型MLシステムを提案する。
実世界のカーシェアリングプラットフォームにおける様々な画像認識タスクの下で、提案システムの構築と、この旅から学んだ教訓について検討した。
論文 参考訳(メタデータ) (2022-10-10T15:40:50Z) - Classification Performance Metric Elicitation and its Applications [5.5637552942511155]
その実践的関心にもかかわらず、機械学習アプリケーションのためのメトリクスの選択方法に関する正式なガイダンスは限られている。
この論文は、暗黙のユーザの嗜好を最も反映したパフォーマンスメトリックを選択するための原則的なフレームワークとして、メトリクスの誘惑を概説している。
論文 参考訳(メタデータ) (2022-08-19T03:57:17Z) - What are the best systems? New perspectives on NLP Benchmarking [10.27421161397197]
そこで本研究では,各タスクのパフォーマンスに基づいて,システムにランク付けする新しい手法を提案する。
社会的選択理論によって動機付けられ、各タスクによって誘導されるランクを集約することで最終システム順序付けが得られる。
本手法は, 平均集約法とは異なる, 最先端システム上での結論を導出することを示す。
論文 参考訳(メタデータ) (2022-02-08T11:44:20Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - The Benchmark Lottery [114.43978017484893]
ベンチマーク宝くじ」は、機械学習ベンチマークプロセスの全体的な脆弱さを記述している。
アルゴリズムの相対的性能は、異なるベンチマークタスクを選択するだけで大幅に変化する可能性がある。
論文 参考訳(メタデータ) (2021-07-14T21:08:30Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-21T17:14:34Z)
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。