論文の概要: Approximating Score-based Explanation Techniques Using Conformal
Regression
- arxiv url: http://arxiv.org/abs/2308.11975v1
- Date: Wed, 23 Aug 2023 07:50:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 15:19:30.143409
- Title: Approximating Score-based Explanation Techniques Using Conformal
Regression
- Title（参考訳）: コンフォーマル回帰を用いたスコアベース説明手法の近似
- Authors: Amr Alkhatib, Henrik Bostr\"om, Sofiane Ennadir, Ulf Johansson
- Abstract要約: スコアベースの説明可能な機械学習技術は、ブラックボックスモデルの背後にあるロジックを理解するためにしばしば使用される。
本稿では,SHAPなどのスコアベースの説明手法の出力を近似するために,計算コストの低い回帰モデルを提案する。
本稿では,提案モデルから得られた近似的説明を効率的に評価する大規模実証研究の結果を報告する。
- 参考スコア（独自算出の注目度）: 0.1843404256219181
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Score-based explainable machine-learning techniques are often used to
understand the logic behind black-box models. However, such explanation
techniques are often computationally expensive, which limits their application
in time-critical contexts. Therefore, we propose and investigate the use of
computationally less costly regression models for approximating the output of
score-based explanation techniques, such as SHAP. Moreover, validity guarantees
for the approximated values are provided by the employed inductive conformal
prediction framework. We propose several non-conformity measures designed to
take the difficulty of approximating the explanations into account while
keeping the computational cost low. We present results from a large-scale
empirical investigation, in which the approximate explanations generated by our
proposed models are evaluated with respect to efficiency (interval size). The
results indicate that the proposed method can significantly improve execution
time compared to the fast version of SHAP, TreeSHAP. The results also suggest
that the proposed method can produce tight intervals, while providing validity
guarantees. Moreover, the proposed approach allows for comparing explanations
of different approximation methods and selecting a method based on how
informative (tight) are the predicted intervals.
- Abstract（参考訳）: スコアベースの説明可能な機械学習技術は、ブラックボックスモデルの背後にあるロジックを理解するためにしばしば使用される。
しかし、そのような説明手法はしばしば計算コストが高く、時間クリティカルな文脈での応用を制限する。
そこで本稿では,SHAPなどのスコアベースの説明手法の出力を近似するために,計算コストの低い回帰モデルを提案する。
さらに、適用した帰納的等角予測フレームワークにより近似値の有効性保証を提供する。
本稿では,計算コストを低く抑えながら説明の近似の難しさを考慮に入れた非整合性対策をいくつか提案する。
本研究では,提案モデルが生成する近似的な説明を効率(内部サイズ)について評価する大規模実験結果を示す。
その結果,提案手法はSHAPの高速バージョンであるTreeSHAPと比較して実行時間を大幅に改善できることがわかった。
また,提案手法は有効性を確保しつつ,厳密な間隔を生成できることが示唆された。
さらに,提案手法では,異なる近似法の説明を比較し,予測間隔が情報的(tight)であるかに基づいた方法を選択することができる。
関連論文リスト
- Building Conformal Prediction Intervals with Approximate Message Passing [14.951392270119461]
等角予測は、分布のない方法で有効な予測間隔を構築するための強力なツールである。
本稿では,予測間隔の計算を高速化するために,AMP(Adroximate Message Passing)に基づく新しいアルゴリズムを提案する。
提案手法では,基準値に近い予測間隔が生成され,精度は桁違いに向上した。
論文 参考訳（メタデータ） (2024-10-21T20:34:33Z) - Online estimation methods for irregular autoregressive models [0.0]
現在、この問題に対処するための方法として、いわゆるオンライン学習法では、現在のパラメータ推定と新しいデータを用いて推定値を更新している。
本研究では,時系列モデルの文脈におけるパラメータ推定のための3つのオンライン学習アルゴリズムについて考察する。
論文 参考訳（メタデータ） (2023-01-31T19:52:04Z) - Spectral Representation Learning for Conditional Moment Models [33.34244475589745]
本研究では,不適切度を制御した表現を自動学習する手法を提案する。
本手法は,条件付き期待演算子のスペクトル分解によって定義される線形表現を近似する。
この表現をデータから効率的に推定できることを示し、得られた推定値に対してL2整合性を確立する。
論文 参考訳（メタデータ） (2022-10-29T07:48:29Z) - The Stochastic Proximal Distance Algorithm [5.3315823983402755]
本稿では,所望の制約付き推定問題をペナルティパラメータとして回復する反復最適化手法のクラスを提案し,解析する。
我々は、最近の理論装置を拡張して有限誤差境界を確立し、収束率の完全な評価を行う。
また,本手法が一般的な学習課題のバッチバージョンより優れていることを示す。
論文 参考訳（メタデータ） (2022-10-21T22:07:28Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳（メタデータ） (2022-05-31T04:57:06Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-31T23:46:32Z) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳（メタデータ） (2020-11-05T18:43:59Z) - BERT Loses Patience: Fast and Robust Inference with Early Exit [91.26199404912019]
本稿では,事前学習した言語モデルの効率性と堅牢性を向上させるためのプラグイン・アンド・プレイ手法として,Patience-based Early Exitを提案する。
提案手法では,モデルを少ないレイヤで予測できるため,推論効率が向上する。
論文 参考訳（メタデータ） (2020-06-07T13:38:32Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
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。