論文の概要: Decomposing Global Feature Effects Based on Feature Interactions

• arxiv url: http://arxiv.org/abs/2306.00541v2
• Date: Mon, 1 Jul 2024 14:26:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-02 18:09:56.577941
• Title: Decomposing Global Feature Effects Based on Feature Interactions
• Title（参考訳）: 特徴相互作用に基づくグローバルな特徴効果の分解
• Authors: Julia Herbinger, Marvin N. Wright, Thomas Nagler, Bernd Bischl, Giuseppe Casalicchio,
• Abstract要約: グローバルエフェクトの一般化付加分解(GADGET)は特徴空間の解釈可能な領域を見つけるための新しいフレームワークである。 フレームワークの数学的基盤を提供し、限界特徴効果を可視化する最も一般的な手法に適用可能であることを示す。 提案手法の理論的特性を,異なる実験環境における様々な特徴効果法に基づいて実験的に評価した。
• 参考スコア（独自算出の注目度）: 10.874932625841257
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Global feature effect methods, such as partial dependence plots, provide an intelligible visualization of the expected marginal feature effect. However, such global feature effect methods can be misleading, as they do not represent local feature effects of single observations well when feature interactions are present. We formally introduce generalized additive decomposition of global effects (GADGET), which is a new framework based on recursive partitioning to find interpretable regions in the feature space such that the interaction-related heterogeneity of local feature effects is minimized. We provide a mathematical foundation of the framework and show that it is applicable to the most popular methods to visualize marginal feature effects, namely partial dependence, accumulated local effects, and Shapley additive explanations (SHAP) dependence. Furthermore, we introduce and validate a new permutation-based interaction test to detect significant feature interactions that is applicable to any feature effect method that fits into our proposed framework. We empirically evaluate the theoretical characteristics of the proposed methods based on various feature effect methods in different experimental settings. Moreover, we apply our introduced methodology to three real-world examples to showcase their usefulness.
• Abstract（参考訳）: 部分依存プロットのような大域的特徴効果法は、期待される限界特徴効果の理解可能な可視化を提供する。 しかし、このようなグローバルな特徴効果法は、特徴相互作用が存在する場合の単一観測の局所的特徴効果をうまく表さないため、誤解を招く可能性がある。 局所的な特徴効果の相互作用に関連した不均一性が最小化されるような特徴空間における解釈可能な領域を見つけるための再帰的分割に基づく新しいフレームワークであるグローバルエフェクトの一般化加法分解(GADGET)を正式に導入する。 フレームワークの数学的基盤を提供し,部分的依存,局所的影響の蓄積,シェープリー加法的説明(SHAP)依存といった限界的特徴効果を可視化する最も一般的な手法に適用可能であることを示す。 さらに,提案フレームワークに適合する任意の特徴効果手法に適用可能な重要な特徴相互作用を検出するために,新しい置換に基づく相互作用テストを導入,検証する。 提案手法の理論的特性を,異なる実験環境における様々な特徴効果法に基づいて実験的に評価した。 さらに,提案手法を実世界の3つの実例に適用し,その有用性を示す。

関連論文リスト

• Disentangling Interactions and Dependencies in Feature Attribution [9.442326245744916]
  機械学習において、グローバルな特徴重要度法は、対象変数の予測に個々の特徴がどの程度貢献するかを判断しようとする。 一般的に用いられる特徴重要度スコアでは、これらの協調効果は特徴の個々の貢献と混同される。 DIPは、3つの成分をアンタングルする個々の特徴重要度スコアを数学的に分解する。
  論文  参考訳（メタデータ） (2024-10-31T09:41:10Z)
• CAFE: Conflict-Aware Feature-wise Explanations [12.428277452418621]
  特徴属性法は、個々の入力特徴がモデル出力に与える影響を決定することによって、ニューラルモデルを説明するために広く用いられている。 本稿では,既存手法の3つの制約に対処する新しい特徴属性法であるCAFE(Conflict-Aware Feature-wise Explanations)を提案する。
  論文  参考訳（メタデータ） (2023-10-31T11:14:26Z)
• Relational Local Explanations [11.679389861042]
  我々は,入力変数間の関係解析に基づく,新しいモデルに依存しない,置換に基づく特徴帰属アルゴリズムを開発した。 機械学習のモデル決定とデータについて、より広範な洞察を得ることができます。
  論文  参考訳（メタデータ） (2022-12-23T14:46:23Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• REPID: Regional Effect Plots with implicit Interaction Detection [0.9023847175654603]
  解釈可能な機械学習手法は、限界特徴効果を可視化するが、特徴相互作用が存在する場合の誤解を招く可能性がある。 興味のある特徴と他の特徴との相互作用を検出する新しいフレームワークである暗黙の相互作用検出を導入する。 このフレームワークはまた、相互作用の強さを定量化し、特徴効果をより確実に解釈できる解釈可能な異なる領域を提供する。
  論文  参考訳（メタデータ） (2022-02-15T08:54:00Z)
• Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
  本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。 周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。 本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:44:23Z)
• Variational Disentanglement for Domain Generalization [68.85458536180437]
  本稿では,変分拡散ネットワーク(VDN)という効果的なフレームワークを提供することにより,領域一般化の課題に取り組むことを提案する。 VDNは、ドメイン固有の機能とタスク固有の機能を切り離し、タスク固有のフィーチャは、見えないが関連するテストデータにより良い一般化が期待できる。
  論文  参考訳（メタデータ） (2021-09-13T09:55:32Z)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• 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)
• Global Context-Aware Progressive Aggregation Network for Salient Object Detection [117.943116761278]
  我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。 提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T04:26:10Z)
• Nonparametric inference for interventional effects with multiple mediators [0.0]
  より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。 提案した推定器の複数のロバスト性特性を示す。 本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
  論文  参考訳（メタデータ） (2020-01-16T19:05:00Z)

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。