論文の概要: EBLIME: Enhanced Bayesian Local Interpretable Model-agnostic
Explanations
- arxiv url: http://arxiv.org/abs/2305.00213v1
- Date: Sat, 29 Apr 2023 09:47:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 16:30:40.144085
- Title: EBLIME: Enhanced Bayesian Local Interpretable Model-agnostic
Explanations
- Title(参考訳): EBLIME: ベイズ局所解釈型モデル非依存的説明
- Authors: Yuhao Zhong, Anirban Bhattacharya, Satish Bukkapatnam
- Abstract要約: ブラックボックス機械学習モデルの説明とベイジアンリッジ回帰モデルを用いた特徴量の分布を求めるため,EBLIMEを提案する。
ケーススタディは、ベンチマークデータセットと、製造製品の内部欠陥を特定できる実世界の工業的応用について行った。
- 参考スコア(独自算出の注目度): 4.4904382374090765
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose EBLIME to explain black-box machine learning models and obtain the
distribution of feature importance using Bayesian ridge regression models. We
provide mathematical expressions of the Bayesian framework and theoretical
outcomes including the significance of ridge parameter. Case studies were
conducted on benchmark datasets and a real-world industrial application of
locating internal defects in manufactured products. Compared to the
state-of-the-art methods, EBLIME yields more intuitive and accurate results,
with better uncertainty quantification in terms of deriving the posterior
distribution, credible intervals, and rankings of the feature importance.
- Abstract(参考訳): ブラックボックス機械学習モデルの説明とベイジアンリッジ回帰モデルを用いた特徴量の分布を求めるため,EBLIMEを提案する。
ベイズフレームワークの数学的表現とリッジパラメータの意義を含む理論的結果を提供する。
ケーススタディは、ベンチマークデータセットと、製造製品の内部欠陥を見つけるための実世界の工業的応用に基づいて行われた。
最新の手法と比較して、eblimeはより直感的で正確な結果を得ることができ、後方分布、信頼できる間隔、特徴重要性のランキングといった点でより不確実性が定量化される。
関連論文リスト
- A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Local Bayesian Dirichlet mixing of imperfect models [0.0]
ベイズモデルの平均化および混合技術による核質量の採掘能力について検討した。
予測精度と不確実性定量化の両方において,グローバルモデルと局所モデルの混合が優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2023-11-02T21:02:40Z) - Value-Distributional Model-Based Reinforcement Learning [63.32053223422317]
政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。
モデルに基づくベイズ強化学習の観点から問題を考察する。
本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
論文 参考訳(メタデータ) (2023-08-12T14:59:19Z) - Robust Output Analysis with Monte-Carlo Methodology [0.0]
シミュレーションや機械学習を用いた予測モデリングでは,推定値の品質を正確に評価することが重要である。
モンテカルロサンプリングのレンズによるシミュレーションと機械学習の出力の統一的な出力分析フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-27T16:21:59Z) - Quasi Black-Box Variational Inference with Natural Gradients for
Bayesian Learning [84.90242084523565]
複素モデルにおけるベイズ学習に適した最適化アルゴリズムを開発した。
我々のアプローチは、モデル固有導出に制限のある効率的なトレーニングのための一般的なブラックボックスフレームワーク内の自然な勾配更新に依存している。
論文 参考訳(メタデータ) (2022-05-23T18:54:27Z) - Locally Interpretable Model Agnostic Explanations using Gaussian
Processes [2.9189409618561966]
LIME(Local Interpretable Model-Agnostic Explanations)は、単一インスタンスの予測を説明する一般的なテクニックである。
局所的解釈可能なモデルのガウス過程(GP)に基づくバリエーションを提案する。
提案手法は,LIMEに比べてはるかに少ないサンプルを用いて忠実な説明を生成可能であることを示す。
論文 参考訳(メタデータ) (2021-08-16T05:49:01Z) - $\beta$-Cores: Robust Large-Scale Bayesian Data Summarization in the
Presence of Outliers [14.918826474979587]
古典的ベイズ推定の質は、観測結果が推定データ生成モデルに適合するかどうかに大きく依存する。
本稿では,大容量データセットに同時スケール可能な変分推論手法を提案する。
多様なシミュレーションおよび実データ、および様々な統計モデルにおいて、我々のアプローチの適用性について説明する。
論文 参考訳(メタデータ) (2020-08-31T13:47:12Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳(メタデータ) (2020-02-20T15:13:27Z) - 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。