論文の概要: Explainable Data-Driven Optimization: From Context to Decision and Back Again

• arxiv url: http://arxiv.org/abs/2301.10074v2
• Date: Wed, 19 Jul 2023 18:37:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 18:38:58.504172
• Title: Explainable Data-Driven Optimization: From Context to Decision and Back Again
• Title（参考訳）: 説明可能なデータ駆動最適化: コンテキストから決定へ、そして再び戻る
• Authors: Alexandre Forel, Axel Parmentier, Thibaut Vidal
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 76.84947521482631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven optimization uses contextual information and machine learning algorithms to find solutions to decision problems with uncertain parameters. While a vast body of work is dedicated to interpreting machine learning models in the classification setting, explaining decision pipelines involving learning algorithms remains unaddressed. This lack of interpretability can block the adoption of data-driven solutions as practitioners may not understand or trust the recommended decisions. We bridge this gap by introducing a counterfactual explanation methodology tailored to explain solutions to data-driven problems. We introduce two classes of explanations and develop methods to find nearest explanations of random forest and nearest-neighbor predictors. We demonstrate our approach by explaining key problems in operations management such as inventory management and routing.
• Abstract（参考訳）: データ駆動最適化は、文脈情報と機械学習アルゴリズムを使用して、不確かなパラメータを持つ決定問題の解を見つける。 分類設定における機械学習モデルの解釈に多くの作業が費やされているが、学習アルゴリズムを含む決定パイプラインの説明は未解決である。 この解釈可能性の欠如は、推奨される決定を理解したり信頼したりすることができない場合があり、データ駆動ソリューションの採用を妨げる可能性がある。 データ駆動問題に対する解決策を説明するのに適した、反実的説明手法を導入することで、このギャップを埋める。 本稿では,2種類の説明法を導入し,ランダム林と隣接予測器の最も近い説明法を提案する。 在庫管理やルーティングといった運用管理の重要な問題を説明することで,このアプローチを実証する。

関連論文リスト

• Sequential Decision Making with Expert Demonstrations under Unobserved Heterogeneity [22.0059059325909]
  本研究では,未観測の文脈情報に基づいて意思決定を行った専門家による補助的な実演を行い,オンライン上での逐次意思決定の課題について検討する。 この設定は、自動運転車、ヘルスケア、金融など、多くのアプリケーション領域で発生します。 本稿では,学習者の意思決定問題に対する情報的事前分布を確立するために,Expers-as-Priorsアルゴリズム(ExPerior)を提案する。
  論文  参考訳（メタデータ） (2024-04-10T18:00:17Z)
• Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and Optimization [59.386153202037086]
  Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。 本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-22T01:32:06Z)
• What and How of Machine Learning Transparency: Building Bespoke Explainability Tools with Interoperable Algorithmic Components [77.87794937143511]
  本稿では,データ駆動予測モデルを説明するためのハンズオントレーニング教材について紹介する。 これらのリソースは、解釈可能な表現合成、データサンプリング、説明生成の3つのコアビルディングブロックをカバーする。
  論文  参考訳（メタデータ） (2022-09-08T13:33:25Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)
• Synthesizing explainable counterfactual policies for algorithmic recourse with program synthesis [18.485744170172545]
  ユーザ記述と因果グラフから説明可能な対応行動列を出力するプログラムを学習する。 合成および実世界のデータセットに対する実験的評価は、我々のアプローチが効果的な介入をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2022-01-18T17:16:45Z)
• Learning MDPs from Features: Predict-Then-Optimize for Sequential Decision Problems by Reinforcement Learning [52.74071439183113]
  我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。 2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
  論文  参考訳（メタデータ） (2021-06-06T23:53:31Z)
• Inverse Multiobjective Optimization Through Online Learning [14.366265951396587]
  本研究では,多目的意思決定モデルの目的関数や制約を学習する問題について検討する。 ノイズの多いデータを処理できる暗黙の更新ルールを持つオンライン学習アルゴリズムを2つ開発した。 数値計算の結果,両アルゴリズムはパラメータを高い精度で学習でき,ノイズに対して頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T17:53:49Z)
• Learning with Differentiable Perturbed Optimizers [54.351317101356614]
  本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。 提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。 本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
  論文  参考訳（メタデータ） (2020-02-20T11:11:32Z)
• Explaining Data-Driven Decisions made by AI Systems: The Counterfactual Approach [11.871523410051527]
  我々は、その決定を因果的に駆動するシステムのデータ入力の集合として、説明を考察する。 モデル予測において重要な重みを持つ特徴が対応する決定に影響を及ぼさない可能性があることを示す。
  論文  参考訳（メタデータ） (2020-01-21T09:58:58Z)

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。