論文の概要: T-COL: Generating Counterfactual Explanations for General User
Preferences on Variable Machine Learning Systems
- arxiv url: http://arxiv.org/abs/2309.16146v1
- Date: Thu, 28 Sep 2023 03:51:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 16:08:31.313251
- Title: T-COL: Generating Counterfactual Explanations for General User
Preferences on Variable Machine Learning Systems
- Title（参考訳）: T-COL:可変機械学習システムにおける一般ユーザ嗜好に対する対実的説明の生成
- Authors: Ming Wang, Daling Wang, Wenfang Wu, Shi Feng, Yifei Zhang
- Abstract要約: 本稿では,機械学習(ML)に基づくシステムに対して,対実的説明(CE)を生成する新しい手法を提案する。
本稿では,T-COLがユーザの好みや可変MLシステムに適していることを示す。
- 参考スコア（独自算出の注目度）: 23.232278402802685
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) based systems have been suffering a lack of
interpretability. To address this problem, counterfactual explanations (CEs)
have been proposed. CEs are unique as they provide workable suggestions to
users, in addition to explaining why a certain outcome was predicted. However,
the application of CEs has been hindered by two main challenges, namely general
user preferences and variable ML systems. User preferences, in particular, tend
to be general rather than specific feature values. Additionally, CEs need to be
customized to suit the variability of ML models, while also maintaining
robustness even when these validation models change. To overcome these
challenges, we propose several possible general user preferences that have been
validated by user research and map them to the properties of CEs. We also
introduce a new method called \uline{T}ree-based \uline{C}onditions
\uline{O}ptional \uline{L}inks (T-COL), which has two optional structures and
several groups of conditions for generating CEs that can be adapted to general
user preferences. Meanwhile, a group of conditions lead T-COL to generate more
robust CEs that have higher validity when the ML model is replaced. We compared
the properties of CEs generated by T-COL experimentally under different user
preferences and demonstrated that T-COL is better suited for accommodating user
preferences and variable ML systems compared to baseline methods including
Large Language Models.
- Abstract（参考訳）: 機械学習(ML)ベースのシステムは、解釈可能性の欠如に悩まされている。
この問題に対処するために, 反事実説明 (ces) が提案されている。
CEは、ある結果が予測された理由を説明することに加えて、ユーザに対して実行可能な提案を提供するため、ユニークなものだ。
しかし、CEの応用は、一般的なユーザの好みと可変MLシステムという2つの大きな課題によって妨げられている。
特にユーザの好みは、特定の機能値よりも一般的な傾向がある。
さらに、CEはMLモデルのバリエーションに合わせてカスタマイズされ、検証モデルが変更されても堅牢性を維持する必要がある。
これらの課題を克服するために、ユーザリサーチによって検証されたいくつかの一般的なユーザ嗜好を提案し、CEの特性にマッピングする。
また, 任意の2つの構造と, 一般的なユーザの嗜好に適応可能なCEを生成する条件群を有する, \uline{T}ree-based \uline{C}onditions \uline{O}ptional \uline{L}inks (T-COL) という新しい手法を導入する。
一方、条件のグループによってT-COLはより堅牢なCEを生成し、MLモデルを置き換える際に高い妥当性を持つ。
我々は,T-COLが生成するCEの特性を異なるユーザ嗜好の下で実験的に比較し,T-COLは大規模言語モデルを含むベースライン手法と比較して,ユーザの嗜好や可変MLシステムに適していることを示した。
関連論文リスト
- TEARS: Textual Representations for Scrutable Recommendations [8.034808726140268]
TEARS(TExtuAl Representations for Scrutable Representations)について紹介する。
TEARSは、潜伏した埋め込みを通じてユーザの興味を表す代わりに、それらを自然なテキストでエンコードし、透明性を提供し、ユーザーが編集できるようにする。
TEARSは、ユーザ制御可能なレコメンデーションを提供しながら、一般的な3つのVAEモデルの性能を上回ることができる。
論文 参考訳（メタデータ） (2024-10-25T04:26:00Z) - GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.769720670731516]
GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。
特定のユーザータイプや好みのカスタマイズされた説明を生成する。
疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-10-15T17:59:30Z) - Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-02T07:44:48Z) - Large Language Models for Power Scheduling: A User-Centric Approach [6.335540414370735]
本稿では、任意のユーザの音声要求(VRQ)をリソース割り当てベクトルに変換することで、リソーススケジューリング問題に対する新しいアーキテクチャを提案する。
具体的には、要求を最適化問題(OP)に変換するためのLLM意図認識エージェント、LLM OPパラメータ識別エージェント、OP解決エージェントを設計する。
論文 参考訳（メタデータ） (2024-06-29T15:47:28Z) - LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。
これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。
本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
論文 参考訳（メタデータ） (2024-05-31T07:24:42Z) - Countering Mainstream Bias via End-to-End Adaptive Local Learning [17.810760161534247]
CF(Collaborative Filtering)ベースのレコメンデーションは、主流のバイアスに悩まされる。
主流ユーザとニッチユーザの両方に高品質なレコメンデーションを提供するために,新しいエンドツーエンド適応型ローカル学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-13T03:17:33Z) - Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。
UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。
UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
論文 参考訳（メタデータ） (2024-02-26T20:09:44Z) - RecExplainer: Aligning Large Language Models for Explaining Recommendation Models [50.74181089742969]
大規模言語モデル (LLM) は、理解、推論、指導において顕著な知性を示した。
本稿では, ブラックボックスレコメンデータモデルを説明するために, LLM を代理モデルとして利用することについて検討する。
効果的なアライメントを容易にするために,行動アライメント,意図アライメント,ハイブリッドアライメントという3つの手法を導入する。
論文 参考訳（メタデータ） (2023-11-18T03:05:43Z) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-09-30T08:02:18Z)
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。