論文の概要: Symbolic Metamodels for Interpreting Black-boxes Using Primitive Functions

• arxiv url: http://arxiv.org/abs/2302.04791v1
• Date: Thu, 9 Feb 2023 17:30:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-10 14:57:33.311541
• Title: Symbolic Metamodels for Interpreting Black-boxes Using Primitive Functions
• Title（参考訳）: 原始関数を用いたブラックボックスのメタモデル
• Authors: Mahed Abroshan, Saumitra Mishra, Mohammad Mahdi Khalili
• Abstract要約: ブラックボックス機械学習モデルを解釈する1つのアプローチは、単純な解釈可能な関数を使ってモデルのグローバルな近似を見つけることである。 本研究では,解釈可能なメタモデルを見つけるための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 15.727276506140878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One approach for interpreting black-box machine learning models is to find a global approximation of the model using simple interpretable functions, which is called a metamodel (a model of the model). Approximating the black-box with a metamodel can be used to 1) estimate instance-wise feature importance; 2) understand the functional form of the model; 3) analyze feature interactions. In this work, we propose a new method for finding interpretable metamodels. Our approach utilizes Kolmogorov superposition theorem, which expresses multivariate functions as a composition of univariate functions (our primitive parameterized functions). This composition can be represented in the form of a tree. Inspired by symbolic regression, we use a modified form of genetic programming to search over different tree configurations. Gradient descent (GD) is used to optimize the parameters of a given configuration. Our method is a novel memetic algorithm that uses GD not only for training numerical constants but also for the training of building blocks. Using several experiments, we show that our method outperforms recent metamodeling approaches suggested for interpreting black-boxes.
• Abstract（参考訳）: ブラックボックス機械学習モデルを解釈する1つのアプローチは、メタモデル(モデルのモデル)と呼ばれる単純な解釈可能な関数を使ってモデルのグローバルな近似を見つけることである。 メタモデルでブラックボックスを近似することもできる。 1) 事例的特徴の重要性を見積もる。 2) モデルの機能形式を理解すること。 3)機能相互作用の分析。 本稿では,解釈可能なメタモデルを見つけるための新しい手法を提案する。 提案手法では,多変量関数を単変量関数(我々の原始パラメータ化関数)の合成として表現するコルモゴロフ重ね合わせ定理を用いる。 この構成は木の形で表現することができる。 シンボリック回帰に触発され、様々な木の構成を探索するために遺伝子プログラミングの修正版を使用する。 勾配降下(GD)は、所定の構成のパラメータを最適化するために用いられる。 本手法は,GDを数値定数のトレーニングだけでなく,ビルディングブロックのトレーニングにも利用する,新しいメメティックアルゴリズムである。 いくつかの実験により,提案手法はブラックボックスを解釈するためのメタモデリング手法よりも優れていることが示された。

関連論文リスト

• Explaining Datasets in Words: Statistical Models with Natural Language Parameters [66.69456696878842]
  本稿では, クラスタリング, 時系列, 分類モデルなど, 自然言語の述語によってパラメータ化される統計モデル群を紹介する。 当社のフレームワークは、ユーザチャット対話の分類、時間の経過とともにどのように進化するかの特徴付け、一方の言語モデルが他方よりも優れているカテゴリを見つけることなど、幅広い問題に適用しています。
  論文  参考訳（メタデータ） (2024-09-13T01:40:20Z)
• Interpretability in Symbolic Regression: a benchmark of Explanatory Methods using the Feynman data set [0.0]
  機械学習モデルの解釈可能性は、モデルの精度と同じくらい重要な役割を果たす。 本稿では,回帰モデルを説明するための説明手法を評価するためのベンチマーク手法を提案する。 その結果、シンボリック回帰モデルは、ホワイトボックスモデルやブラックボックスモデルに代わる興味深い選択肢になり得ることが示されている。
  論文  参考訳（メタデータ） (2024-04-08T23:46:59Z)
• Learning Green's Function Efficiently Using Low-Rank Approximations [44.46178415547532]
  グリーン関数に対する深層学習の実践的な制限は、計算的に高価なモンテカルロ積分近似の繰り返しである。 低ランクな分解によってグリーン関数を学習し、冗長な計算を除去する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-01T07:43:46Z)
• Can Explanations Be Useful for Calibrating Black Box Models? [31.473798197405948]
  我々は,新しいドメインの例から,ブラックボックスモデルの性能を新しいドメインで改善する方法について検討する。 提案手法はまず,タスクに対する人間の直感とモデル属性を組み合わせた一連の特徴を抽出する。 キャリブレーション機能はタスク間である程度移動し、効果的に利用する方法について光を当てている。
  論文  参考訳（メタデータ） (2021-10-14T17:48:16Z)
• Differentiable Spline Approximations [48.10988598845873]
  微分プログラミングは機械学習のスコープを大幅に強化した。 標準的な微分可能なプログラミング手法(autodiffなど)は、通常、機械学習モデルが微分可能であることを要求する。 この再設計されたヤコビアンを予測モデルにおける微分可能な「層」の形で活用することで、多様なアプリケーションの性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-10-04T16:04:46Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• High-dimensional Functional Graphical Model Structure Learning via Neighborhood Selection Approach [15.334392442475115]
  機能的グラフィカルモデルの構造を推定するための近傍選択手法を提案する。 したがって、関数が無限次元であるときに存在しないような、明確に定義された精度作用素の必要性を回避することができる。
  論文  参考訳（メタデータ） (2021-05-06T07:38:50Z)
• Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
  本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。 我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
  論文  参考訳（メタデータ） (2020-11-17T12:39:44Z)
• Interpretable Machine Learning with an Ensemble of Gradient Boosting Machines [5.482532589225552]
  勾配昇降機(GBM)のアンサンブルを用いた手法 合成および実データセットに提案手法を実装したアルゴリズムを用いた数値実験は、局所的および大域的解釈の効率性と特性を実証する。
  論文  参考訳（メタデータ） (2020-10-14T20:18:40Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。