論文の概要: Metric Tools for Sensitivity Analysis with Applications to Neural
Networks
- arxiv url: http://arxiv.org/abs/2305.02368v1
- Date: Wed, 3 May 2023 18:10:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 18:14:35.158489
- Title: Metric Tools for Sensitivity Analysis with Applications to Neural
Networks
- Title(参考訳): ニューラルネットワークを用いた感度解析のためのメトリクスツール
- Authors: Jaime Pizarroso and David Alfaya and Jos\'e Portela and Antonio
Mu\~noz
- Abstract要約: 説明可能な人工知能(XAI)は、機械学習モデルによる予測の解釈を提供することを目的としている。
本稿では,計量手法を用いてMLモデルの感性を研究するための理論的枠組みを提案する。
$alpha$-curvesと呼ばれる新しいメトリクスの完全なファミリーが抽出される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As Machine Learning models are considered for autonomous decisions with
significant social impact, the need for understanding how these models work
rises rapidly. Explainable Artificial Intelligence (XAI) aims to provide
interpretations for predictions made by Machine Learning models, in order to
make the model trustworthy and more transparent for the user. For example,
selecting relevant input variables for the problem directly impacts the model's
ability to learn and make accurate predictions, so obtaining information about
input importance play a crucial role when training the model. One of the main
XAI techniques to obtain input variable importance is the sensitivity analysis
based on partial derivatives. However, existing literature of this method
provide no justification of the aggregation metrics used to retrieved
information from the partial derivatives.
In this paper, a theoretical framework is proposed to study sensitivities of
ML models using metric techniques. From this metric interpretation, a complete
family of new quantitative metrics called $\alpha$-curves is extracted. These
$\alpha$-curves provide information with greater depth on the importance of the
input variables for a machine learning model than existing XAI methods in the
literature. We demonstrate the effectiveness of the $\alpha$-curves using
synthetic and real datasets, comparing the results against other XAI methods
for variable importance and validating the analysis results with the ground
truth or literature information.
- Abstract(参考訳): 重要な社会的影響を持つ自律的意思決定のために機械学習モデルが検討されるにつれて、これらのモデルがどのように機能するかを理解する必要性が急速に高まる。
説明可能な人工知能(XAI)は、マシンラーニングモデルによる予測の解釈を提供することを目標とし、モデルがユーザにとって信頼性が高く、より透過的なものになる。
例えば、問題に対する関連する入力変数の選択は、モデルが学習し正確な予測を行う能力に直接影響するため、モデルのトレーニングにおいて、入力の重要性に関する情報を得ることが重要な役割を果たす。
入力変数の重要度を求める主要なXAI手法の1つは、偏微分に基づく感度解析である。
しかし、本手法の既存の文献は、部分微分から情報を取得するために用いられる集計指標を正当化するものではない。
本稿では,計量手法を用いてMLモデルの感性を研究するための理論的枠組みを提案する。
この計量解釈から、$\alpha$-curvesと呼ばれる新しい計量の完全な族が抽出される。
これらの$\alpha$-curvesは、文献における既存のXAIメソッドよりも、機械学習モデルにおける入力変数の重要性の詳細な情報を提供する。
本研究では,合成データと実データを用いた$\alpha$-curvesの有効性を実証し,他のxai法と比較し,基礎的真理や文献情報を用いて分析結果を検証する。
関連論文リスト
- Seeking Neural Nuggets: Knowledge Transfer in Large Language Models from
a Parametric Perspective [114.70886320845715]
大規模言語モデル(LLM)は本質的に、広範囲なコーパスの事前学習を通じて、パラメータ内の豊富な知識を符号化する。
本稿では,パラメトリックの観点から,大規模モデルから小規模モデルへの知識伝達を実証的に検討する。
論文 参考訳(メタデータ) (2023-10-17T17:58:34Z) - Employing Explainable Artificial Intelligence (XAI) Methodologies to
Analyze the Correlation between Input Variables and Tensile Strength in
Additively Manufactured Samples [0.0]
本研究では, インフィルパーセンテージ, 層高さ, 押出温度, 印刷速度などの入力パラメータが, 添加物製造による引張強度に及ぼす影響について検討した。
我々は、初めて説明可能な人工知能(XAI)技術を導入し、データの分析とシステムの振る舞いに関する貴重な洞察を得ることを可能にした。
その結果, 浸透率と押出温度が引張強度に最も大きな影響を与えているのに対し, 層高と印刷速度の影響は比較的小さいことがわかった。
論文 参考訳(メタデータ) (2023-05-28T21:44:25Z) - Characterizing the contribution of dependent features in XAI methods [6.990173577370281]
本稿では,XAI特徴量ランキング法の結果を,予測者間の依存性を考慮に入れたプロキシを提案する。
提案手法はモデルに依存しないという利点があり、コリニアリティが存在する場合のモデルにおける各予測器の影響を計算するのが簡単である。
論文 参考訳(メタデータ) (2023-04-04T11:25:57Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳(メタデータ) (2021-08-04T16:32:59Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - Bounding Information Leakage in Machine Learning [26.64770573405079]
本稿では,情報漏洩の基本的な境界について検討する。
最悪の会員推論攻撃の成功率を特定し、拘束します。
感度の高い属性とモデルパラメータの間の相互情報の境界を導出する。
論文 参考訳(メタデータ) (2021-05-09T08:49:14Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - Beyond Trivial Counterfactual Explanations with Diverse Valuable
Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。
本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。
このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文 参考訳(メタデータ) (2021-03-18T12:57:34Z) - Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。
提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。
分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
論文 参考訳(メタデータ) (2020-11-13T10:53:27Z) - PermuteAttack: Counterfactual Explanation of Machine Learning Credit
Scorecards [0.0]
本稿では、金融における小売クレジットスコアリングに使用される機械学習(ML)モデルの検証と説明のための新しい方向性と方法論について述べる。
提案するフレームワークは人工知能(AI)のセキュリティと敵MLの分野からモチベーションを引き出す。
論文 参考訳(メタデータ) (2020-08-24T00:05:13Z) - Adversarial Infidelity Learning for Model Interpretation [43.37354056251584]
本稿では,モデル解釈のためのモデル非依存能率直接(MEED)FSフレームワークを提案する。
我々のフレームワークは、正当性、ショートカット、モデルの識別可能性、情報伝達に関する懸念を緩和する。
我々のAILメカニズムは、選択した特徴と目標の間の条件分布を学習するのに役立ちます。
論文 参考訳(メタデータ) (2020-06-09T16:27:17Z)
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。