論文の概要: Approximation of group explainers with coalition structure using Monte
Carlo sampling on the product space of coalitions and features
- arxiv url: http://arxiv.org/abs/2303.10216v1
- Date: Fri, 17 Mar 2023 19:17:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 20:42:23.061857
- Title: Approximation of group explainers with coalition structure using Monte
Carlo sampling on the product space of coalitions and features
- Title（参考訳）: モンテカルロサンプリングを用いた連立構造をもつ群説明器の連立と特徴の積空間に対する近似
- Authors: Konstandinos Kotsiopoulos, Alexey Miroshnikov, Khashayar Filom, Arjun
Ravi Kannan
- Abstract要約: 我々は、与えられたMLモデルと予測ベクトルに基づく限界ゲームに対して、幅広い種類の線形ゲーム値と連立値に焦点を当てる。
我々はモンテカルロサンプリングアルゴリズムを設計し、背景データセットのサイズに線形に依存する複雑さを減らし、それらを推定する。
- 参考スコア（独自算出の注目度）: 0.2519906683279153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, many Machine Learning (ML) explanation techniques have been
designed using ideas from cooperative game theory. These game-theoretic
explainers suffer from high complexity, hindering their exact computation in
practical settings. In our work, we focus on a wide class of linear game
values, as well as coalitional values, for the marginal game based on a given
ML model and predictor vector. By viewing these explainers as expectations over
appropriate sample spaces, we design a novel Monte Carlo sampling algorithm
that estimates them at a reduced complexity that depends linearly on the size
of the background dataset. We set up a rigorous framework for the statistical
analysis and obtain error bounds for our sampling methods. The advantage of
this approach is that it is fast, easily implementable, and model-agnostic.
Furthermore, it has similar statistical accuracy as other known estimation
techniques that are more complex and model-specific. We provide rigorous proofs
of statistical convergence, as well as numerical experiments whose results
agree with our theoretical findings.
- Abstract（参考訳）: 近年,多くの機械学習(ML)の説明手法が協調ゲーム理論のアイデアを用いて設計されている。
これらのゲーム理論的な説明は高い複雑さに苦しめられ、実際の環境での正確な計算を妨げている。
本研究は,MLモデルと予測ベクトルに基づく限界ゲームに対して,線形ゲーム値および連立値の幅広いクラスに焦点を当てる。
これらの説明を適切なサンプル空間に対する期待として見ることにより、背景データセットのサイズに線形に依存する複雑さを低減したモンテカルロサンプリングアルゴリズムを設計する。
統計的解析のための厳密なフレームワークを構築し,サンプリング手法の誤差境界を求める。
このアプローチの利点は、高速で、容易に実装でき、モデルに依存しないことです。
さらに、より複雑でモデル特有の他の既知の推定技術と同様の統計的精度を持つ。
統計的収束の厳密な証明と、理論的な結果と一致した数値実験を提供する。
関連論文リスト
- Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。
統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
論文 参考訳（メタデータ） (2024-08-25T04:07:18Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - Sparse Variational Student-t Processes [8.46450148172407]
学生Tプロセスは、重い尾の分布とデータセットをアウトリーチでモデル化するために使用される。
本研究では,学生プロセスが現実のデータセットに対してより柔軟になるためのスパース表現フレームワークを提案する。
UCIとKaggleの様々な合成および実世界のデータセットに対する2つの提案手法の評価を行った。
論文 参考訳（メタデータ） (2023-12-09T12:55:20Z) - Curvature-Sensitive Predictive Coding with Approximate Laplace Monte
Carlo [1.1470070927586016]
予測符号化(PC: Predictive coding)は、現在、脳における支配的な計算理論の1つとなっている。
それにもかかわらず、彼らは機械学習の幅広い分野への輸出をほとんど楽しんだ。
これは、PCでトレーニングされたモデルの性能が、サンプルの品質と限界確率の両方で評価されているためである。
論文 参考訳（メタデータ） (2023-03-09T01:29:58Z) - Approximate Gibbs Sampler for Efficient Inference of Hierarchical Bayesian Models for Grouped Count Data [0.0]
本研究は、推定精度を維持しつつ、HBPRMを効率的に学習するための近似ギブスサンプリング器(AGS)を開発した。
実データと合成データを用いた数値実験により,AGSの優れた性能を示した。
論文 参考訳（メタデータ） (2022-11-28T21:00:55Z) - 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) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Revisiting the Sample Complexity of Sparse Spectrum Approximation of
Gaussian Processes [60.479499225746295]
本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。
我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
論文 参考訳（メタデータ） (2020-11-17T05:41:50Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z) - Efficient Debiased Evidence Estimation by Multilevel Monte Carlo
Sampling [0.0]
ベイズ推論に基づくマルチレベルモンテカルロ法(MLMC)の最適化手法を提案する。
計算結果から,従来の推定値と比較すると,かなりの計算量の削減が確認できた。
論文 参考訳（メタデータ） (2020-01-14T09:14:24Z)
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。