論文の概要: Explaining with Greater Support: Weighted Column Sampling Optimization
for q-Consistent Summary-Explanations
- arxiv url: http://arxiv.org/abs/2302.04528v1
- Date: Thu, 9 Feb 2023 09:40:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 16:21:43.354955
- Title: Explaining with Greater Support: Weighted Column Sampling Optimization
for q-Consistent Summary-Explanations
- Title（参考訳）: 大規模サポートによる説明:q-consistent Summary-Explanationsのための軽量カラムサンプリング最適化
- Authors: Chen Peng, Zhengqi Dai, Guangping Xia, Yajie Niu, Yihui Lei
- Abstract要約: $q$-consistent summary-explanationは、一貫性をわずかに低くするコストで、より大きなサポートを達成することを目的としている。
問題は、$q$-consistent summary-explanation (MSqC) の最大サポート問題は、元のMS問題よりもずっと複雑である。
解の時間効率を改善するために,重み付きカラムサンプリング法(WCS)を提案する。
- 参考スコア（独自算出の注目度）: 1.6262731094866383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning systems have been extensively used as auxiliary tools in
domains that require critical decision-making, such as healthcare and criminal
justice. The explainability of decisions is crucial for users to develop trust
on these systems. In recent years, the globally-consistent rule-based
summary-explanation and its max-support (MS) problem have been proposed, which
can provide explanations for particular decisions along with useful statistics
of the dataset. However, globally-consistent summary-explanations with limited
complexity typically have small supports, if there are any. In this paper, we
propose a relaxed version of summary-explanation, i.e., the $q$-consistent
summary-explanation, which aims to achieve greater support at the cost of
slightly lower consistency. The challenge is that the max-support problem of
$q$-consistent summary-explanation (MSqC) is much more complex than the
original MS problem, resulting in over-extended solution time using standard
branch-and-bound solvers. To improve the solution time efficiency, this paper
proposes the weighted column sampling~(WCS) method based on solving smaller
problems by sampling variables according to their simplified increase support
(SIS) values. Experiments verify that solving MSqC with the proposed SIS-based
WCS method is not only more scalable in efficiency, but also yields solutions
with greater support and better global extrapolation effectiveness.
- Abstract（参考訳）: 機械学習システムは、医療や刑事司法などの重要な意思決定を必要とする領域の補助ツールとして広く使われている。
ユーザがこれらのシステムに対する信頼を育むためには、意思決定の説明が不可欠である。
近年、データセットの有用な統計情報とともに、特定の決定に関する説明を提供する、グローバルに一貫性のあるルールベースの要約記述とその最大サポート(MS)問題が提案されている。
しかし、複雑さが限定されたグローバルに一貫性のある要約説明は、通常、もしあれば、サポートが小さい。
本稿では,一貫性の低いコストでより大きなサポートを実現することを目的とした,要約説明の緩和版である$q$consistent summary-explanationを提案する。
課題は、$q$-consistent summary-explanation (MSqC) の最大サポート問題は、元のMS問題よりもはるかに複雑であり、その結果、標準分岐とバウンドの解法を用いて過度に拡張された解時間が得られることである。
解の時間効率を改善するために, 簡易増量支援(SIS)値に基づいて, 変数をサンプリングすることで, より小さな問題を解くことに基づく重み付きカラムサンプリング(WCS)手法を提案する。
実験により, 提案手法によるmsqcの解決は, 効率が向上するだけでなく, サポートが向上し, グローバル外挿効率も向上することを確認した。
関連論文リスト
- Mitigating Tail Narrowing in LLM Self-Improvement via Socratic-Guided Sampling [38.7578639980701]
自己改善手法により、大規模な言語モデルがソリューション自体を生成できる。
モデルでは、簡単なクエリをオーバーサンプルし、まだマスターしていないクエリをアンダーサンプルする傾向があります。
本稿では,重み付きデータ抽出の効率化を目的とした,ガイド付き自己改善(GSI)について紹介する。
論文 参考訳（メタデータ） (2024-11-01T17:18:45Z) - DISCO: Efficient Diffusion Solver for Large-Scale Combinatorial Optimization Problems [37.205311971072405]
DISCOは、大規模な組合せ最適化問題に対する効率的な拡散解法である。
サンプリング空間は、解残基によって導かれるより有意義な領域に制約され、出力分布のマルチモーダルな性質は保たれる。
大規模なトラベリングセールスマン問題や最大独立セットのベンチマークに挑戦し、他の拡散手段よりも最大5.28倍の速度で推論を行う。
論文 参考訳（メタデータ） (2024-06-28T07:36:31Z) - Dataless Quadratic Neural Networks for the Maximum Independent Set Problem [23.643727259409744]
pCQO-MISはエッジ数ではなくグラフ内のノード数でスケールすることを示す。
提案手法は,分散の排除,サンプリング,データ中心のアプローチを回避する。
論文 参考訳（メタデータ） (2024-06-27T21:12:48Z) - QFMTS: Generating Query-Focused Summaries over Multi-Table Inputs [63.98556480088152]
表要約は、情報を簡潔で分かりやすいテキスト要約に凝縮するための重要な課題である。
本稿では,クエリ中心のマルチテーブル要約を導入することで,これらの制約に対処する新しい手法を提案する。
提案手法は,テーブルシリアライズモジュール,要約コントローラ,および大規模言語モデルからなり,ユーザの情報要求に合わせたクエリ依存のテーブル要約を生成する。
論文 参考訳（メタデータ） (2024-05-08T15:05:55Z) - Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。
本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。
オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
論文 参考訳（メタデータ） (2024-03-21T13:52:30Z) - MQAG: Multiple-choice Question Answering and Generation for Assessing
Information Consistency in Summarization [55.60306377044225]
最先端の要約システムは高度に流動的な要約を生成することができる。
しかし、これらの要約には、情報源に存在しない事実上の矛盾や情報が含まれている可能性がある。
本稿では,ソース情報と要約情報を直接比較する,標準的な情報理論に基づく代替手法を提案する。
論文 参考訳（メタデータ） (2023-01-28T23:08:25Z) - On the Global Solution of Soft k-Means [159.23423824953412]
本稿では,ソフトk-平均問題の解法を全世界で提案する。
ミニマルボリュームソフトkMeans (MVSkM) と呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2022-12-07T12:06:55Z) - Tensor Completion with Provable Consistency and Fairness Guarantees for
Recommender Systems [5.099537069575897]
非負・正の行列とテンソル完備問題を定義・解決するための新しい一貫性に基づくアプローチを導入する。
単一特性/制約: 単位スケールの一貫性を保ち、解の存在を保証し、比較的弱いサポート仮定の下では、一意性を示す。
論文 参考訳（メタデータ） (2022-04-04T19:42:46Z) - Abstractive Query Focused Summarization with Query-Free Resources [60.468323530248945]
本稿では,汎用的な要約リソースのみを利用して抽象的なqfsシステムを構築する問題を考える。
本稿では,要約とクエリのための新しい統一表現からなるMasked ROUGE回帰フレームワークであるMargeを提案する。
最小限の監視から学習したにもかかわらず,遠隔管理環境において最先端の結果が得られた。
論文 参考訳（メタデータ） (2020-12-29T14:39:35Z) - Learning What to Defer for Maximum Independent Sets [84.00112106334655]
本稿では,各段階における解の要素的決定を学習することにより,エージェントが適応的に段階数を縮小あるいは拡張する,新たなDRL方式を提案する。
提案手法を最大独立集合(MIS)問題に適用し、現状のDRL方式よりも大幅に改善したことを示す。
論文 参考訳（メタデータ） (2020-06-17T02:19:31Z)
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。