論文の概要: Feasible Recourse Plan via Diverse Interpolation
- arxiv url: http://arxiv.org/abs/2302.11213v1
- Date: Wed, 22 Feb 2023 08:52:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 16:00:56.118946
- Title: Feasible Recourse Plan via Diverse Interpolation
- Title（参考訳）: 逆補間による実行可能リコース計画
- Authors: Duy Nguyen, Ngoc Bui, Viet Anh Nguyen
- Abstract要約: そこで本研究では,データ多様体に対して,多種多様な行動表現を明示的に指示する手法を提案する。
提案手法は,データ多様体に近く,既存の手法よりも優れたコスト・多様性のトレードオフを提供しながら,一連のレコースを生成することを示す。
- 参考スコア（独自算出の注目度）: 12.139222986297263
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explaining algorithmic decisions and recommending actionable feedback is
increasingly important for machine learning applications. Recently, significant
efforts have been invested in finding a diverse set of recourses to cover the
wide spectrum of users' preferences. However, existing works often neglect the
requirement that the recourses should be close to the data manifold; hence, the
constructed recourses might be implausible and unsatisfying to users. To
address these issues, we propose a novel approach that explicitly directs the
diverse set of actionable recourses towards the data manifold. We first find a
diverse set of prototypes in the favorable class that balances the trade-off
between diversity and proximity. We demonstrate two specific methods to find
these prototypes: either by finding the maximum a posteriori estimate of a
determinantal point process or by solving a quadratic binary program. To ensure
the actionability constraints, we construct an actionability graph in which the
nodes represent the training samples and the edges indicate the feasible action
between two instances. We then find a feasible path to each prototype, and this
path demonstrates the feasible actions for each recourse in the plan. The
experimental results show that our method produces a set of recourses that are
close to the data manifold while delivering a better cost-diversity trade-off
than existing approaches.
- Abstract（参考訳）: 機械学習アプリケーションでは、アルゴリズムによる決定の説明と実行可能なフィードバックの推奨がますます重要になっている。
近年、ユーザーの好みの広い範囲をカバーするための多様なリコースを見つけることに多大な努力が払われている。
しかし、既存の研究は、リコースがデータ多様体に近くなければならないという要求を無視することが多いため、構築されたリコースはユーザには不便で不満足であるかもしれない。
これらの問題に対処するため,我々はデータ多様体に対して多種多様なアクション可能なリコースを明示的に指示する新しいアプローチを提案する。
まず、多様性と近接性のトレードオフをバランスさせる、望ましいクラスにおける多様なプロトタイプを見つけます。
これらのプロトタイプを見つけるための2つの特定の方法を示す: 決定項過程の最大後方推定を見つけるか、二次二項プログラムを解くかである。
動作可能性の制約を保証するため,ノードがトレーニングサンプルを表現し,エッジが2つのインスタンス間の実行可能な動作を示す動作可能性グラフを構築した。
次に、各プロトタイプに対する実行可能なパスを見つけ、このパスは、計画の各リコースに対する実行可能なアクションを示す。
実験結果から,本手法はデータ多様体に近い一連のリコースを生成し,既存の手法よりも高いコスト・ダイバーシティのトレードオフを実現する。
関連論文リスト
- Reconciling Model Multiplicity for Downstream Decision Making [24.335927243672952]
2つの予測モデルがほぼ至るところでそれぞれの予測にほぼ一致しているとしても、最も応答性の高い行動が人口のかなりの部分で相違していることが示される。
本稿では,下流決定問題と個別確率予測の両方に関して,予測モデルを校正する枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-30T03:36:46Z) - Experiment Planning with Function Approximation [49.50254688629728]
本研究では,文脈的帯域幅問題における関数近似を用いた実験計画の問題点について検討する。
本稿では,関数近似に適合する2つの実験計画戦略を提案する。
そこで, 均一サンプリング器は, 動作数が少ない設定において, 競合最適性を達成できることを示す。
論文 参考訳（メタデータ） (2024-01-10T14:40:23Z) - Leveraging Diffusion Disentangled Representations to Mitigate Shortcuts
in Underspecified Visual Tasks [92.32670915472099]
拡散確率モデル(DPM)を用いた合成カウンターファクトの生成を利用したアンサンブルの多様化フレームワークを提案する。
拡散誘導型分散化は,データ収集を必要とする従来の手法に匹敵するアンサンブル多様性を達成し,ショートカットからの注意を回避できることを示す。
論文 参考訳（メタデータ） (2023-10-03T17:37:52Z) - Differentiable Multi-Target Causal Bayesian Experimental Design [43.76697029708785]
本稿では,ベイズ最適設計問題に対する勾配に基づくアプローチを導入し,バッチ環境で因果モデルを学習する。
既存の手法は、一連の実験を構築するためにグリーディ近似に依存している。
そこで本稿では,最適介入対象ペアの集合を取得するための,概念的にシンプルな勾配に基づく最適化手法を提案する。
論文 参考訳（メタデータ） (2023-02-21T11:32:59Z) - An Information-Theoretic Approach for Estimating Scenario Generalization
in Crowd Motion Prediction [27.10815774845461]
本稿では,ソース・クラウド・シナリオに基づいて学習したモデルの一般化を特徴付ける新しいスコアリング手法を提案する。
インタラクションコンポーネントはシナリオドメインの難易度を特徴付けることを目的としており、シナリオドメインの多様性はダイバーシティスコアで取得される。
提案手法の有効性をシミュレーションおよび実世界(ソース,ターゲット)の一般化タスクで検証した。
論文 参考訳（メタデータ） (2022-11-02T01:39:30Z) - Towards Better Understanding Attribution Methods [77.1487219861185]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。
本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。
また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
論文 参考訳（メタデータ） (2022-05-20T20:50:17Z) - Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and
Contrastive Meta-Learning [51.03781020616402]
現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。
そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。
粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
論文 参考訳（メタデータ） (2021-08-15T02:21:01Z) - InsPose: Instance-Aware Networks for Single-Stage Multi-Person Pose
Estimation [37.80984212500406]
本稿では,インスタンス認識型動的ネットワークを用いて,シンプルで効果的な解を提案する。
具体的には、各インスタンスのネットワークパラメータを適応的に(一部)調整するインスタンス対応モジュールを提案する。
我々のソリューションは、コンパクトなエンドツーエンドのトレーニング可能なパイプラインを維持しながら、様々なポーズを認識するためのネットワークの容量と適応性を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-07-19T15:56:09Z) - Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。
我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。
我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文 参考訳（メタデータ） (2021-05-14T06:58:44Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳（メタデータ） (2020-05-21T12:28:59Z)
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。