論文の概要: Counterfactual Explanation with Missing Values
- arxiv url: http://arxiv.org/abs/2304.14606v1
- Date: Fri, 28 Apr 2023 03:22:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 15:24:39.150099
- Title: Counterfactual Explanation with Missing Values
- Title(参考訳): 欠落した価値の事実的説明
- Authors: Kentaro Kanamori, Takuya Takagi, Ken Kobayashi, Yuichi Ike
- Abstract要約: 我々はImputation and Action (CEPIA)による対実的説明の新しい枠組みを提案する。
私たちのCEPIAは、与えられたインスタンスに対する命令候補のペアの代表セットと、その最適なアクションを提供します。
CEPIAは, 欠損値の存在下での基準値と比較し, 有効性を示した。
- 参考スコア(独自算出の注目度): 10.869257688521987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Counterfactual Explanation (CE) is a post-hoc explanation method that
provides a perturbation for altering the prediction result of a classifier.
Users can interpret the perturbation as an "action" to obtain their desired
decision results. Existing CE methods require complete information on the
features of an input instance. However, we often encounter missing values in a
given instance, and the previous methods do not work in such a practical
situation. In this paper, we first empirically and theoretically show the risk
that missing value imputation methods affect the validity of an action, as well
as the features that the action suggests changing. Then, we propose a new
framework of CE, named Counterfactual Explanation by Pairs of Imputation and
Action (CEPIA), that enables users to obtain valid actions even with missing
values and clarifies how actions are affected by imputation of the missing
values. Specifically, our CEPIA provides a representative set of pairs of an
imputation candidate for a given incomplete instance and its optimal action. We
formulate the problem of finding such a set as a submodular maximization
problem, which can be solved by a simple greedy algorithm with an approximation
guarantee. Experimental results demonstrated the efficacy of our CEPIA in
comparison with the baselines in the presence of missing values.
- Abstract(参考訳): Counterfactual Explanation (CE) は、分類器の予測結果を変更するための摂動を提供するポストホックな説明法である。
ユーザーは摂動を「行動」と解釈して、望ましい判断結果を得ることができる。
既存のCEメソッドは入力インスタンスの特徴に関する完全な情報を必要とする。
しかし、あるインスタンスではしばしば値が不足しており、以前のメソッドはそのような実用的な状況では動作しない。
本稿では,まず,価値インプテーション手法の欠如が行動の妥当性に影響を及ぼすリスクと,行動が変化することを示唆する特徴を実証的かつ理論的に示す。
そこで我々は,CEの新しい枠組みであるCEPIAを提案する。CEPIAは,不備な値であっても有効なアクションをユーザが取得し,不備な値の計算によってアクションがどのように影響を受けるかを明らかにする。
具体的には、CEPIAは、与えられた不完全なインスタンスとその最適なアクションに対して、命令候補のペアの代表セットを提供する。
我々は,そのような集合を部分モジュラー最大化問題として求める問題を,近似保証付き単純なグリーディアルゴリズムで解けるように定式化する。
CEPIAは, 欠損値の存在下での基準値と比較し, 有効性を示した。
関連論文リスト
- Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。
UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。
UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
論文 参考訳(メタデータ) (2024-02-26T20:09:44Z) - Bounds on Representation-Induced Confounding Bias for Treatment Effect
Estimation [30.77874108094485]
条件平均処理効果(CATE)推定のための最先端手法は、表現学習を広く活用する。
ここでは、(潜在的に制約された)低次元表現による低サンプルCATE推定のばらつきを低減する。
低次元の表現は、観測された共同設立者に関する情報を失う可能性があり、その結果、CATE推定のための表現学習の妥当性が典型的に侵害されるため、バイアスにつながる。
論文 参考訳(メタデータ) (2023-11-19T13:31:30Z) - Finding Regions of Counterfactual Explanations via Robust Optimization [0.0]
反事実的説明 (CE) は、モデルの決定が変化する最小の摂動データポイントである。
既存のメソッドのほとんどは1つのCEしか提供できないが、ユーザにとっては達成できないかもしれない。
特徴がわずかに乱れた後も有効であるロバストCEを計算するための反復的手法を導出する。
論文 参考訳(メタデータ) (2023-01-26T14:06:26Z) - Identifiable Energy-based Representations: An Application to Estimating
Heterogeneous Causal Effects [83.66276516095665]
条件付き平均治療効果(CATEs)は、多数の個体にまたがる不均一性について理解することができる。
典型的なCATE学習者は、CATEが識別可能であるために、すべての共起変数が測定されていると仮定する。
本稿では,ノイズコントラッシブ損失関数を用いて,変数の低次元表現を学習するエネルギーベースモデルを提案する。
論文 参考訳(メタデータ) (2021-08-06T10:39:49Z) - Variance-Aware Off-Policy Evaluation with Linear Function Approximation [85.75516599931632]
線形関数近似を用いた強化学習における非政治的評価問題について検討する。
本稿では,値関数の分散を推定し,フィルタQ-Iterationにおけるベルマン残差を再重み付けするアルゴリズムVA-OPEを提案する。
論文 参考訳(メタデータ) (2021-06-22T17:58:46Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳(メタデータ) (2021-05-11T03:38:16Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳(メタデータ) (2021-04-12T18:50:11Z) - Ordered Counterfactual Explanation by Mixed-Integer Linear Optimization [10.209615216208888]
Ordered Counterfactual Explanation (OrdCE) という新しいフレームワークを提案する。
本稿では,アクションの対と順序を特徴的相互作用に基づいて評価する新しい目的関数を提案する。
実データセットの数値実験により,OrdCEの非順序CE法と比較して有効性を示した。
論文 参考訳(メタデータ) (2020-12-22T01:41:23Z) - Calibrated Adaptive Probabilistic ODE Solvers [31.442275669185626]
不確実性の推定を校正するいくつかの確率的動機づけのある方法を紹介し,議論し,評価する。
本手法は,従来の4/5 runge-kutta法に対してベンチマークを行い,その効率性を示す。
論文 参考訳(メタデータ) (2020-12-15T10:48:55Z) - Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。
本稿では,理論的観点から,そのような手法の性能について考察する。
交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
論文 参考訳(メタデータ) (2020-11-03T15:33:10Z)
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。