論文の概要: Beyond Single-Feature Importance with ICECREAM

• arxiv url: http://arxiv.org/abs/2307.09779v1
• Date: Wed, 19 Jul 2023 06:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 15:19:12.992845
• Title: Beyond Single-Feature Importance with ICECREAM
• Title（参考訳）: icecreamによるシングルフィーチャーの重要性
• Authors: Michael Oesterle, Patrick Bl\"obaum, Atalanti A. Mastakouri, Elke Kirschbaum
• Abstract要約: 本稿では,変数の連立が対象変数の分布に与える影響に関する情報理論尺度を提案する。 合成および実世界のデータを用いた実験では、ICECREAMは説明可能性や根本原因分析において最先端の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.4970364068620607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Which set of features was responsible for a certain output of a machine learning model? Which components caused the failure of a cloud computing application? These are just two examples of questions we are addressing in this work by Identifying Coalition-based Explanations for Common and Rare Events in Any Model (ICECREAM). Specifically, we propose an information-theoretic quantitative measure for the influence of a coalition of variables on the distribution of a target variable. This allows us to identify which set of factors is essential to obtain a certain outcome, as opposed to well-established explainability and causal contribution analysis methods which can assign contributions only to individual factors and rank them by their importance. In experiments with synthetic and real-world data, we show that ICECREAM outperforms state-of-the-art methods for explainability and root cause analysis, and achieves impressive accuracy in both tasks.
• Abstract（参考訳）: 機械学習モデルの特定の出力に対して、どの機能セットが責任を負っていたのか? クラウドコンピューティングアプリケーションの障害の原因となるコンポーネントは何か? これらの質問は、CoalitionベースのCommon and Rare Events in Any Model(ICECREAM)の説明を識別することで、この研究で私たちが取り組んでいる2つの質問の例です。 具体的には,変数の連立が対象変数の分布に与える影響に関する情報理論的定量的尺度を提案する。 これにより、個々の要因にのみ貢献を割り当て、それらの重要性をランク付けできる、確立された説明可能性や因果貢献分析法とは対照的に、特定の結果を得るためにどの要因が不可欠かを特定することができる。 合成および実世界のデータを用いた実験では、ICECREAMは説明可能性や根本原因分析の最先端手法よりも優れており、両方のタスクにおいて顕著な精度が達成されている。

関連論文リスト

• A Unified Causal View of Instruction Tuning [76.1000380429553]
  メタ構造因果モデル(meta-SCM)を開発し、異なるNLPタスクをデータの単一因果構造の下で統合する。 主なアイデアは、タスク要求因果関係を学習し、タスクの予測にのみそれらを使用することである。
  論文  参考訳（メタデータ） (2024-02-09T07:12:56Z)
• Causal Entropy and Information Gain for Measuring Causal Control [0.22252684361733285]
  本稿では,因果的エントロピーと相互情報の因果的バージョンを,因果的エントロピーと因果的情報ゲインと呼ぶ形で導入する。 これらの量は他の変数への介入によって生じる変数のエントロピーの変化を捉えている。 これらの量と因果効果の存在を結びつける基礎的な結果が導出された。
  論文  参考訳（メタデータ） (2023-09-14T13:25:42Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• A Critical Look At The Identifiability of Causal Effects with Deep Latent Variable Models [2.326384409283334]
  ケーススタディとして因果効果変動オートエンコーダ(CEVAE)を用いる。 CEVAEはいくつかの単純なシナリオで確実に機能するように見えるが、不特定な潜在変数や複雑なデータ分布による正しい因果効果は特定できない。 その結果,識別可能性の問題は無視できないことが明らかとなり,今後の作業でさらに注意を払わなければならないと論じた。
  論文  参考訳（メタデータ） (2021-02-12T17:43:18Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。