論文の概要: Rank-LIME: Local Model-Agnostic Feature Attribution for Learning to Rank
- arxiv url: http://arxiv.org/abs/2212.12722v1
- Date: Sat, 24 Dec 2022 12:14:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 15:26:21.491989
- Title: Rank-LIME: Local Model-Agnostic Feature Attribution for Learning to Rank
- Title(参考訳): Rank-LIME: ランク学習における局所モデルに依存しない特徴属性
- Authors: Tanya Chowdhury, Razieh Rahimi, James Allan
- Abstract要約: Rank-LIMEは、モデルに依存しない局所的、ポストホック的特徴属性法である。
我々は,新しい相関に基づく摂動,微分可能なランキング損失関数を導入し,ランキングに基づく付加的特徴帰属モデルを評価するための新しい指標を導入する。
- 参考スコア(独自算出の注目度): 16.780058676633914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding why a model makes certain predictions is crucial when adapting
it for real world decision making. LIME is a popular model-agnostic feature
attribution method for the tasks of classification and regression. However, the
task of learning to rank in information retrieval is more complex in comparison
with either classification or regression. In this work, we extend LIME to
propose Rank-LIME, a model-agnostic, local, post-hoc linear feature attribution
method for the task of learning to rank that generates explanations for ranked
lists.
We employ novel correlation-based perturbations, differentiable ranking loss
functions and introduce new metrics to evaluate ranking based additive feature
attribution models. We compare Rank-LIME with a variety of competing systems,
with models trained on the MS MARCO datasets and observe that Rank-LIME
outperforms existing explanation algorithms in terms of Model Fidelity and
Explain-NDCG. With this we propose one of the first algorithms to generate
additive feature attributions for explaining ranked lists.
- Abstract(参考訳): モデルがなぜ特定の予測を行うのかを理解することは、現実の意思決定に適応する上で重要である。
limeは分類と回帰のタスクで一般的なモデルに依存しない特徴帰属手法である。
しかし,情報検索におけるランク付けの課題は,分類や回帰に比べて複雑である。
本研究では,分類表の説明を生成するランク付けタスクを学習するためのモデル非依存,局所的,ポストホックな線形特徴帰属法であるrank-limeを提案する。
我々は,新しい相関に基づく摂動,微分可能なランキング損失関数を導入し,ランキングに基づく付加的特徴帰属モデルを評価するための新しい指標を導入する。
我々は、Ranc-LIMEと様々な競合システムを比較し、MS MARCOデータセットで訓練されたモデルを用いて、Ranc-LIMEがモデル忠実度や説明-NDCGの点で既存の説明アルゴリズムより優れていることを観察する。
これにより、ランキングを説明するために付加的な特徴属性を生成する最初のアルゴリズムの1つを提案する。
関連論文リスト
- Learning List-Level Domain-Invariant Representations for Ranking [59.3544317373004]
リストレベルのアライメント -- より高いレベルのリストでドメイン不変表現を学習する。
利点は2つある: これは、ランク付けに縛られる最初のドメイン適応の一般化をもたらし、その結果、提案法に対する理論的支援を提供する。
論文 参考訳(メタデータ) (2022-12-21T04:49:55Z) - Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo
sampling [58.14878401145309]
PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。
Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
論文 参考訳(メタデータ) (2022-05-12T11:15:47Z) - Rank4Class: A Ranking Formulation for Multiclass Classification [26.47229268790206]
マルチクラス分類(MCC)は基本的な機械学習問題である。
ランキングのレンズを通した新しい定式化により,MCCの性能を向上させることは容易であることを示す。
論文 参考訳(メタデータ) (2021-12-17T19:22:37Z) - Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。
新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。
本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文 参考訳(メタデータ) (2021-11-18T06:58:19Z) - Search Methods for Sufficient, Socially-Aligned Feature Importance
Explanations with In-Distribution Counterfactuals [72.00815192668193]
特徴重要度(FI)推定は一般的な説明形式であり、テスト時に特定の入力特徴を除去することによって生じるモデル信頼度の変化を計算し、評価することが一般的である。
FIに基づく説明の未探索次元についていくつかの考察を行い、この説明形式に対する概念的および実証的な改善を提供する。
論文 参考訳(メタデータ) (2021-06-01T20:36:48Z) - PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。
ピランクは所望の指標をゼロ温度の限界で正確に回収する。
論文 参考訳(メタデータ) (2020-12-12T05:07:36Z) - Towards Unifying Feature Attribution and Counterfactual Explanations:
Different Means to the Same End [17.226134854746267]
本稿では,一組の反実例から特徴帰属説明を生成する手法を提案する。
本報告では, 帰属に基づく説明の妥当性を, その必要性と充足性の観点から評価するために, 対実例をいかに活用するかを示す。
論文 参考訳(メタデータ) (2020-11-10T05:41:43Z) - Interpretable Learning-to-Rank with Generalized Additive Models [78.42800966500374]
ラーニング・ツー・ランクのモデルの解釈可能性は、非常に重要でありながら、比較的過小評価されている研究分野である。
解釈可能なランキングモデルの最近の進歩は、主に既存のブラックボックスランキングモデルに対するポストホックな説明の生成に焦点を当てている。
一般化加法モデル(GAM)をランキングタスクに導入することにより,本質的に解釈可能な学習 to ランクの基盤を築いた。
論文 参考訳(メタデータ) (2020-05-06T01:51:30Z) - Valid Explanations for Learning to Rank Models [5.320400771224103]
本稿では,入力特徴の少数のサブセットをランキング決定の理由として同定するモデルに依存しない局所的説明法を提案する。
我々は,選択された特徴の有無に基づいて,ランク付けに特化して説明の妥当性と完全性という新たな概念を導入する。
論文 参考訳(メタデータ) (2020-04-29T06:21:56Z)
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。