Fugu-MT 論文翻訳(概要): Derivative-based Shapley value for global sensitivity analysis and machine learning explainability

論文の概要: Derivative-based Shapley value for global sensitivity analysis and machine learning explainability

arxiv url: http://arxiv.org/abs/2303.15183v1
Date: Fri, 24 Mar 2023 00:20:46 GMT
ステータス: 処理完了
システム内更新日: 2023-03-28 15:24:09.960381
Title: Derivative-based Shapley value for global sensitivity analysis and machine learning explainability
Title（参考訳）: グローバル感度解析と機械学習説明可能性のための導出型シェープリー値
Authors: Hui Duan and Giray \"Okten
Abstract要約: 我々は、グローバルな感度分析と機械学習説明可能性のための新しいShapley値アプローチを導入する。この方法は基礎関数の1階部分微分に基づいている。
参考スコア（独自算出の注目度）: 0.2741266294612775
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a new Shapley value approach for global sensitivity analysis and machine learning explainability. The method is based on the first-order partial derivatives of the underlying function. The computational complexity of the method is linear in dimension (number of features), as opposed to the exponential complexity of other Shapley value approaches in the literature. Examples from global sensitivity analysis and machine learning are used to compare the method numerically with activity scores, SHAP, and KernelSHAP.
Abstract（参考訳）: 我々は、グローバル感度分析と機械学習説明可能性のための新しいShapley値アプローチを導入する。この方法は基礎関数の1階部分微分に基づいている。この方法の計算複雑性は、文献における他のシェープリー値アプローチの指数複雑性とは対照的に、次元(特徴数)において線型である。グローバルな感度分析や機械学習の例を用いて、この手法をアクティビティスコア、SHAP、KernelSHAPと数値的に比較する。

関連論文リスト

Explaining Reinforcement Learning: A Counterfactual Shapley Values Approach [6.530043756157445]
本稿では、強化学習(RL)における説明可能性を高める新しいアプローチとして、CSV(Counterfactual Shapley Values)を提案する。このアプローチは、異なる状態次元のコントリビューションをさまざまなアクション選択に定量化し比較することを目的としている。
論文参考訳（メタデータ） (2024-08-05T14:49:12Z)
Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文参考訳（メタデータ） (2023-11-09T23:32:06Z)
Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
論文参考訳（メタデータ） (2023-11-02T06:09:24Z)
Algorithms to estimate Shapley value feature attributions [11.527421282223948]
Shapley値に基づく特徴属性は、機械学習モデルを説明するために人気がある。我々は,この複雑さを,(1)特徴情報の除去アプローチ,(2)抽出可能な推定戦略の2つの要因に分解する。
論文参考訳（メタデータ） (2022-07-15T17:04:41Z)
Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文参考訳（メタデータ） (2022-06-01T23:26:51Z)
Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文参考訳（メタデータ） (2022-04-20T21:15:38Z)
Exact Shapley Values for Local and Model-True Explanations of Decision Tree Ensembles [0.0]
決定木アンサンブルの説明にShapley値を適用することを検討する。本稿では,無作為林に適応し,決定木を増強できる,Shapley値に基づく特徴属性に対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2021-12-16T20:16:02Z)
Fast Hierarchical Games for Image Explanations [78.16853337149871]
本稿では,シェープリー係数の階層的拡張に基づく画像分類のモデル非依存な説明法を提案する。他のShapleyベースの説明手法とは異なり、h-Shapはスケーラブルで近似を必要とせずに計算できる。本手法は,合成データセット,医用画像シナリオ,一般コンピュータビジョン問題において,一般的なシャプリーベースおよび非サプリーベース手法と比較した。
論文参考訳（メタデータ） (2021-04-13T13:11:02Z)
A Multilinear Sampling Algorithm to Estimate Shapley Values [4.771833920251869]
ゲーム理論に適用したマルチ線形拡張手法に基づく新しいサンプリング手法を提案する。本手法は任意の機械学習モデル,特に多クラス分類や回帰問題に適用可能である。
論文参考訳（メタデータ） (2020-10-22T21:47:16Z)
Efficient computation and analysis of distributional Shapley values [15.322542729755998]
線形回帰、二項分類、非パラメトリック密度推定の標準問題に対するDShapleyの最初の解析式を導出する。我々の公式は直接解釈可能であり、異なる種類のデータに対してどのように値が変化するかについての定量的な洞察を提供する。
論文参考訳（メタデータ） (2020-07-02T19:51:54Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。