論文の概要: Regionally Additive Models: Explainable-by-design models minimizing feature interactions

• arxiv url: http://arxiv.org/abs/2309.12215v1
• Date: Thu, 21 Sep 2023 16:16:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-22 14:16:43.199395
• Title: Regionally Additive Models: Explainable-by-design models minimizing feature interactions
• Title（参考訳）: 地域付加モデル:特徴相互作用を最小化する説明可能な設計モデル
• Authors: Vasilis Gkolemis, Anargiros Tzerefos, Theodore Dalamagas, Eirini Ntoutsi, Christos Diou
• Abstract要約: GAM(Generalized Additive Models)は、様々なアプリケーションで説明可能な設計モデルとして広く使われている。 出力が複数の機能に同時に依存するML問題では、GAMは基礎となる関数の相互作用項をキャプチャできない。 提案する領域付加モデル (RAM) は, 説明可能な設計モデルの新しいクラスである。
• 参考スコア（独自算出の注目度）: 8.118449359076438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalized Additive Models (GAMs) are widely used explainable-by-design models in various applications. GAMs assume that the output can be represented as a sum of univariate functions, referred to as components. However, this assumption fails in ML problems where the output depends on multiple features simultaneously. In these cases, GAMs fail to capture the interaction terms of the underlying function, leading to subpar accuracy. To (partially) address this issue, we propose Regionally Additive Models (RAMs), a novel class of explainable-by-design models. RAMs identify subregions within the feature space where interactions are minimized. Within these regions, it is more accurate to express the output as a sum of univariate functions (components). Consequently, RAMs fit one component per subregion of each feature instead of one component per feature. This approach yields a more expressive model compared to GAMs while retaining interpretability. The RAM framework consists of three steps. Firstly, we train a black-box model. Secondly, using Regional Effect Plots, we identify subregions where the black-box model exhibits near-local additivity. Lastly, we fit a GAM component for each identified subregion. We validate the effectiveness of RAMs through experiments on both synthetic and real-world datasets. The results confirm that RAMs offer improved expressiveness compared to GAMs while maintaining interpretability.
• Abstract（参考訳）: GAM(Generalized Additive Models)は、様々なアプリケーションで説明可能な設計モデルとして広く使われている。 GAMは出力を成分と呼ばれる単変数関数の和として表すことができると仮定する。 しかし、この仮定は出力が複数の特徴に同時に依存するML問題で失敗する。 これらの場合、GAMは基礎となる関数の相互作用項を捉えず、精度を低くする。 この問題に (一部) 対処するために我々は, 説明可能な設計モデルの新しいクラスである地域付加モデル (RAM) を提案する。 RAMは、相互作用を最小限に抑える特徴空間内のサブリージョンを特定する。 これらの領域内では、出力を不等関数(コンポーネント)の和として表現するのがより正確である。 その結果、RAMは機能ごとに1つのコンポーネントではなく、各機能のサブリージョン毎に1つのコンポーネントに適合する。 このアプローチは、解釈可能性を維持しながら、GAMと比較してより表現力のあるモデルをもたらす。 RAMフレームワークは3つのステップで構成される。 まず、ブラックボックスモデルをトレーニングします。 第二に、地域効果プロットを用いて、ブラックボックスモデルが局所的な付加性を示す部分領域を同定する。 最後に、特定サブリージョン毎にGAMコンポーネントを適合させる。 合成データと実世界のデータの両方で実験を行い,ramの有効性を検証する。 その結果,RAMは解釈性を維持しつつ,GAMよりも表現性が向上していることが確認された。

関連論文リスト

• Succinct Interaction-Aware Explanations [33.25637826682827]
  SHAPは、個々の特徴の重要性を明らかにすることでブラックボックスモデルを説明する一般的なアプローチである。 一方、NSHAPは全ての機能のサブセットに付加的な重要性を報告している。 我々は、これらの2つの世界の長所を、機能を大幅に相互作用する部分に分割することで組み合わせることを提案する。
  論文  参考訳（メタデータ） (2024-02-08T11:04:11Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• NPEFF: Non-Negative Per-Example Fisher Factorization [52.44573961263344]
  エンド・ツー・エンドの微分可能モデルに容易に適用可能な,NPEFFと呼ばれる新しい解釈可能性手法を提案する。 我々はNPEFFが言語モデルと視覚モデルの実験を通して解釈可能なチューニングを持つことを実証した。
  論文  参考訳（メタデータ） (2023-10-07T02:02:45Z)
• iBARLE: imBalance-Aware Room Layout Estimation [54.819085005591894]
  ルームレイアウト推定は、1つのパノラマからレイアウトを予測する。 実際のデータセットには、レイアウトの複雑さの次元、カメラの位置、シーンの外観の変化など、大きな不均衡がある。 これらの問題に対処するために, imBalance-Aware Room Layout Estimation (iBARLE) フレームワークを提案する。 iBARLEは、(1)外観変化生成(AVG)モジュール、(2)複合構造混合(CSMix)モジュール、(3)勾配に基づくレイアウト目的関数からなる。
  論文  参考訳（メタデータ） (2023-08-29T06:20:36Z)
• MALUNet: A Multi-Attention and Light-weight UNet for Skin Lesion Segmentation [13.456935850832565]
  そこで本研究では,皮膚病変のセグメンテーションにおいて,パラメータと計算複雑性の最小コストで競合性能を実現する軽量モデルを提案する。 我々は、4つのモジュールをU字型アーキテクチャと組み合わせ、MALUNetと呼ばれる軽量な医用画像分割モデルを得る。 UNetと比較して、我々のモデルはmIoUとDSCのメトリクスをそれぞれ2.39%、1.49%改善し、パラメータ数と計算複雑性の44倍と166倍削減した。
  論文  参考訳（メタデータ） (2022-11-03T13:19:22Z)
• Marginalized particle Gibbs for multiple state-space models coupled through shared parameters [18.45278329799526]
  Particle Gibbs (PG) は、SSMにおける推論のための効率的なアルゴリズムのクラスである。 そこで本研究では,静的モデルパラメータを極小化するためのPGサンプルを2種類提示する。 状態とパラメータ間の強い依存関係を持つモデルに対して、それらを結合して効率的なサンプルを作成することができることを示す。
  論文  参考訳（メタデータ） (2022-10-13T21:49:40Z)
• Aggregated Multi-output Gaussian Processes with Knowledge Transfer Across Domains [39.25639417233822]
  本稿では,各粒度の集合データセットを用いて属性の関数を推論する多出力ガウス過程(MoGP)モデルを提案する。 実験により,提案手法は実世界のデータセットの粗粒度データを精錬する作業において優れていた。
  論文  参考訳（メタデータ） (2022-06-24T08:07:20Z)
• A Probabilistic Hard Attention Model For Sequentially Observed Scenes [5.203329540700176]
  視覚的ハードアテンションモデルは、画像内のサブリージョンのシーケンスを積極的に選択し、観察し、予測する。 本稿では,このような逐次的に観察されたシーンを分類するための,効率的なハードアテンションモデルの設計を行う。 両モデルとも2～10%の精度でベースラインモデルよりも2～10%精度が向上した。
  論文  参考訳（メタデータ） (2021-11-15T04:47:47Z)
• Partial Order in Chaos: Consensus on Feature Attributions in the Rashomon Set [50.67431815647126]
  ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。 この手法により局所的・言語的特徴の半順序が生じることを示す。 これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
  論文  参考訳（メタデータ） (2021-10-26T02:53:14Z)
• From Sets to Multisets: Provable Variational Inference for Probabilistic Integer Submodular Models [82.95892656532696]
  サブモジュール関数は機械学習やデータマイニングにおいて広く研究されている。 本研究では,整数部分モジュラ函数に対する連続DR-部分モジュラ拡張を提案する。 整数部分モジュラー関数によって定義される新しい確率モデルを定式化する。
  論文  参考訳（メタデータ） (2020-06-01T22:20:45Z)
• Particle-Gibbs Sampling For Bayesian Feature Allocation Models [77.57285768500225]
  最も広く使われているMCMC戦略は、特徴割り当て行列のギブス更新に頼っている。 単一移動で特徴割り当て行列の全行を更新できるギブスサンプリング器を開発した。 このサンプルは、計算複雑性が特徴数で指数関数的にスケールするにつれて、多数の特徴を持つモデルにとって実用的ではない。 我々は,行ワイズギブズ更新と同じ分布を目標としたパーティクルギブズサンプルの開発を行うが,特徴数でのみ線形に増大する計算複雑性を有する。
  論文  参考訳（メタデータ） (2020-01-25T22:11:51Z)

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。