論文の概要: iPDP: On Partial Dependence Plots in Dynamic Modeling Scenarios

• arxiv url: http://arxiv.org/abs/2306.07775v1
• Date: Tue, 13 Jun 2023 13:56:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 13:33:47.735991
• Title: iPDP: On Partial Dependence Plots in Dynamic Modeling Scenarios
• Title（参考訳）: iPDP:動的モデリングシナリオにおける部分依存プロットについて
• Authors: Maximilian Muschalik, Fabian Fumagalli, Rohit Jagtani, Barbara Hammer, Eyke H\"ullermeier
• Abstract要約: 説明可能な人工知能(XAI)では、よく確立された部分依存プロット(PDP)のようなポストホックな説明技法が使用される。 非定常学習環境における時間依存的特徴効果を抽出するために,PDP上に拡張された新しいモデルに依存しないXAIフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.772337176239137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post-hoc explanation techniques such as the well-established partial dependence plot (PDP), which investigates feature dependencies, are used in explainable artificial intelligence (XAI) to understand black-box machine learning models. While many real-world applications require dynamic models that constantly adapt over time and react to changes in the underlying distribution, XAI, so far, has primarily considered static learning environments, where models are trained in a batch mode and remain unchanged. We thus propose a novel model-agnostic XAI framework called incremental PDP (iPDP) that extends on the PDP to extract time-dependent feature effects in non-stationary learning environments. We formally analyze iPDP and show that it approximates a time-dependent variant of the PDP that properly reacts to real and virtual concept drift. The time-sensitivity of iPDP is controlled by a single smoothing parameter, which directly corresponds to the variance and the approximation error of iPDP in a static learning environment. We illustrate the efficacy of iPDP by showcasing an example application for drift detection and conducting multiple experiments on real-world and synthetic data sets and streams.
• Abstract（参考訳）: ブラックボックス機械学習モデルを理解するために、機能依存を調査するよく確立された部分依存プロット(PDP)のようなポストホックな説明技法が、説明可能な人工知能(XAI)に使用される。 多くの現実世界のアプリケーションは、時間とともに常に適応し、基礎となるディストリビューションの変化に反応する動的なモデルを必要としていますが、XAIは、モデルがバッチモードでトレーニングされ、変化しない静的学習環境を主に検討しています。 そこで本研究では,非定常学習環境における時間依存的特徴効果を抽出するために,pdp上で拡張するインクリメンタルpdp(ipdp)と呼ばれる新しいモデル非依存xaiフレームワークを提案する。 我々はipdpを形式的に解析し,実概念と仮想概念のドリフトに適切に反応するpdpの時間依存型を近似することを示す。 iPDPの時間感度は、静的学習環境におけるiPDPの分散および近似誤差と直接対応する単一の平滑化パラメータによって制御される。 ドリフト検出の例を示し,実世界および合成データセットおよびストリームに関する複数の実験を行うことにより,iPDPの有効性を示す。

関連論文リスト

• Physics Informed Deep Learning for Strain Gradient Continuum Plasticity [0.0]
  我々は、物理情報深層学習に基づく時空間離散化を用いて、速度依存ひずみ勾配塑性モデルの解を近似する。 物理情報ニューラルネットワークからインスピレーションを得て、PIDLモデルの損失関数をいくつかの新しい方法で修正する。 本稿では, PIDL法がひずみ可塑性モデルによって生じる計算問題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2024-08-13T06:02:05Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Learning Space-Time Continuous Neural PDEs from Partially Observed States [13.01244901400942]
  格子独立モデル学習偏微分方程式(PDE)を雑音および不規則格子上の部分的な観測から導入する。 本稿では、効率的な確率的フレームワークとデータ効率とグリッド独立性を改善するための新しい設計エンコーダを備えた時空間連続型ニューラルネットワークPDEモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-09T06:53:59Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• PAC Reinforcement Learning for Predictive State Representations [60.00237613646686]
  部分的に観察可能な力学系におけるオンライン強化学習(RL)について検討する。 我々は、他のよく知られたモデルをキャプチャする表現モデルである予測状態表現(PSR)モデルに焦点を当てる。 我々は,サンプル複雑性のスケーリングにおいて,ほぼ最適なポリシを学習可能な,PSRのための新しいモデルベースアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-12T17:57:17Z)
• Efficient Remote Photoplethysmography with Temporal Derivative Modules and Time-Shift Invariant Loss [6.381149074212898]
  遠隔心拍推定のための軽量ニューラルネットワークを提案する。 我々は,顔面光胸腺撮影の時間的学習に焦点をあてる。 既存モデルと比較して,本手法では,パラメータ数が大幅に少なく,計算コストが低く,競合精度が向上している。
  論文  参考訳（メタデータ） (2022-03-21T11:08:06Z)
• Relating the Partial Dependence Plot and Permutation Feature Importance to the Data Generating Process [1.3782922287772585]
  部分依存プロットと置換特徴重要度(PFI)は解釈法としてよく用いられる。 我々はPDとPFIを,データ生成過程に根ざした基底真理推定の統計的推定器として定式化する。 PDとPFIは, 統計バイアス, モデル分散, モンテカルロ近似誤差により, この基礎的真理から逸脱することを示す。
  論文  参考訳（メタデータ） (2021-09-03T10:50:41Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)
• Online Reinforcement Learning Control by Direct Heuristic Dynamic Programming: from Time-Driven to Event-Driven [80.94390916562179]
  時間駆動学習は、新しいデータが到着すると予測モデルのパラメータを継続的に更新する機械学習手法を指す。 ノイズなどの重要なシステムイベントによる時間駆動型dHDPの更新を防止することが望ましい。 イベント駆動型dHDPアルゴリズムは,従来の時間駆動型dHDPと比較して動作することを示す。
  論文  参考訳（メタデータ） (2020-06-16T05:51:25Z)
• Correlation-aware Unsupervised Change-point Detection via Graph Neural Networks [37.68666658785003]
  変化点検出(CPD)は、時系列データによる急激な変化を検出することを目的としている。 既存のCDDメソッドは依存構造を完全に無視するか、あるいは相関構造が時間とともに静的であるという(非現実的な)仮定に依存している。 本稿では,変数の相関構造とダイナミクスを明示的にモデル化したCPDのための相関対応ダイナミクスモデルを提案する。
  論文  参考訳（メタデータ） (2020-04-24T18:28:57Z)

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。