論文の概要: RHALE: Robust and Heterogeneity-aware Accumulated Local Effects

• arxiv url: http://arxiv.org/abs/2309.11193v1
• Date: Wed, 20 Sep 2023 10:27:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 16:31:30.034143
• Title: RHALE: Robust and Heterogeneity-aware Accumulated Local Effects
• Title（参考訳）: RHALE:ロバストと不均一性を考慮した局所効果の蓄積
• Authors: Vasilis Gkolemis, Theodore Dalamagas, Eirini Ntoutsi, Christos Diou
• Abstract要約: 累積局所効果(英: Accumulated Local Effects, ALE)は、ある特徴の出力に対する平均効果を分離するための広く使われている説明可能性法である。 これは、平均的な(グローバルな)効果からインスタンスレベル(局所的な)効果の偏りを定量化していない。 本稿ではこれらの制約に対処するため,Robust と Heterogeneity-aware ALE (RHALE) を提案する。
• 参考スコア（独自算出の注目度）: 8.868822699365616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accumulated Local Effects (ALE) is a widely-used explainability method for isolating the average effect of a feature on the output, because it handles cases with correlated features well. However, it has two limitations. First, it does not quantify the deviation of instance-level (local) effects from the average (global) effect, known as heterogeneity. Second, for estimating the average effect, it partitions the feature domain into user-defined, fixed-sized bins, where different bin sizes may lead to inconsistent ALE estimations. To address these limitations, we propose Robust and Heterogeneity-aware ALE (RHALE). RHALE quantifies the heterogeneity by considering the standard deviation of the local effects and automatically determines an optimal variable-size bin-splitting. In this paper, we prove that to achieve an unbiased approximation of the standard deviation of local effects within each bin, bin splitting must follow a set of sufficient conditions. Based on these conditions, we propose an algorithm that automatically determines the optimal partitioning, balancing the estimation bias and variance. Through evaluations on synthetic and real datasets, we demonstrate the superiority of RHALE compared to other methods, including the advantages of automatic bin splitting, especially in cases with correlated features.
• Abstract（参考訳）: 累積局所効果(英: Accumulated Local Effects, ALE)は、ある特徴が出力に与える影響を分離するために広く使われている説明可能性法である。 しかし、2つの制限がある。 まず、不均一性として知られる平均的な(グローバルな)効果からインスタンスレベルの(局所的な)効果の偏りを定量化しない。 第二に、平均効果を推定するために、機能ドメインをユーザ定義の固定サイズのビンに分割する。 これらの制限に対処するため,我々はロバストで不均質なエール (rhale) を提案する。 RHALEは局所効果の標準偏差を考慮して不均一性を定量化し、最適な可変サイズのビン分割を自動的に決定する。 本稿では,各ビン内の局所的効果の標準偏差を偏りなく近似するために,ビン分割を十分条件に従わなければならないことを証明する。 これらの条件に基づき, 最適分割を自動的に決定し, 推定バイアスと分散のバランスをとるアルゴリズムを提案する。 合成および実データを用いた評価により,RHALE が他の手法に比べて優れていること,特に相関性のある場合,自動ビン分割の利点などを示す。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Generalization error of min-norm interpolators in transfer learning [2.7309692684728617]
  最小ノルム補間器は、現代の機械学習アルゴリズムの暗黙の正規化限界として自然に現れる。 多くのアプリケーションでは、トレーニング中に限られた量のテストデータが利用できるが、この設定におけるmin-normの特性は十分に理解されていない。 我々はこれらの特徴を達成するために、新しい異方性局所法を確立した。
  論文  参考訳（メタデータ） (2024-06-20T02:23:28Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• DALE: Differential Accumulated Local Effects for efficient and accurate global explanations [3.3646058754940738]
  累積局所効果(英: Accumulated Local Effect, ALE)は、特徴効果を正確に推定する方法である。 本稿では,MLモデルが微分可能であれば,DALE(differial Accumulated Local Effects)を提案する。
  論文  参考訳（メタデータ） (2022-10-10T10:27:48Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• The Interplay between Distribution Parameters and the Accuracy-Robustness Tradeoff in Classification [0.0]
  アドリラルトレーニングは、通常のモデルに比べて自然(未成熟)の例では正確でないモデルをもたらす傾向にある。 これは、アルゴリズムの欠点か、トレーニングデータ分散の基本的な性質によるものとみなすことができる。 本研究では,二進ガウス混合分類問題の下で後者のケースに焦点をあてる。
  論文  参考訳（メタデータ） (2021-07-01T06:57:50Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Distributionally Robust Local Non-parametric Conditional Estimation [22.423052432220235]
  非パラメトリックな局所推定を生成する分布安定な新しい推定器を提案する。 一般には難解であるにもかかわらず、局所推定器は凸最適化によって効率的に見つけることができることを示す。 合成およびMNISTデータセットを用いた実験は、この新しいクラスの推定器の競合性能を示している。
  論文  参考訳（メタデータ） (2020-10-12T00:11:17Z)

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。