論文の概要: fmeffects: An R Package for Forward Marginal Effects
- arxiv url: http://arxiv.org/abs/2310.02008v1
- Date: Tue, 3 Oct 2023 12:24:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 14:31:59.058017
- Title: fmeffects: An R Package for Forward Marginal Effects
- Title(参考訳): fmeffects: 前縁効果のためのRパッケージ
- Authors: Holger L\"owe, Christian A. Scholbeck, Christian Heumann, Bernd
Bischl, Giuseppe Casalicchio
- Abstract要約: FME(Forward marginal effect)は近年,汎用的で効果的なモデルに依存しない解釈法として導入されている。
RパッケージfmeffectsにおけるFMEのソフトウェア実装について紹介する。
- 参考スコア(独自算出の注目度): 9.848444818012299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forward marginal effects (FMEs) have recently been introduced as a versatile
and effective model-agnostic interpretation method. They provide comprehensible
and actionable model explanations in the form of: If we change $x$ by an amount
$h$, what is the change in predicted outcome $\widehat{y}$? We present the R
package fmeffects, the first software implementation of FMEs. The relevant
theoretical background, package functionality and handling, as well as the
software design and options for future extensions are discussed in this paper.
- Abstract(参考訳): FME(Forward marginal effect)は近年,汎用的で効果的なモデルに依存しない解釈法として導入されている。
もし$h$で$x$を変更したら、予測結果$\widehat{y}$で何が変わるのか?
本稿では、FMEの最初のソフトウェア実装であるRパッケージfmeffectsを紹介する。
本稿では,関連する理論的背景,パッケージ機能,ハンドリング,ソフトウェア設計および今後の拡張の選択肢について述べる。
関連論文リスト
- ReFT: Representation Finetuning for Language Models [74.51093640257892]
我々は、$textbfRepresentation Finetuning (ReFT)$メソッドのファミリーを開発する。
LoReFTは、従来の最先端PEFTよりも10x-50倍高いパラメータ効率の介入を学習する。
本稿では,8つのコモンセンス推論タスク,4つの算術推論タスク,Alpaca-Eval v1.0,GLUEについて紹介する。
論文 参考訳(メタデータ) (2024-04-04T17:00:37Z) - Automated Efficient Estimation using Monte Carlo Efficient Influence
Functions [5.1689445482852765]
本稿では,MC-EIF(TextitMonte Carlo Efficient Influence Function)を紹介する。
MC-EIFは効率的な影響関数を近似する完全自動化技術である。
我々は,MC-EIF が一貫したものであり,MC-EIF を用いた推定器が最適$sqrtN$収束率を達成することを証明した。
論文 参考訳(メタデータ) (2024-02-29T22:19:46Z) - Counterfactual Influence in Markov Decision Processes [6.5535073117225195]
対実的および介入的分布の比較に基づく影響の形式的特徴化を導入する。
我々は、与えられた報酬構造に最適であるだけでなく、観察された経路に合わせて調整された反事実政策を導出する。
論文 参考訳(メタデータ) (2024-02-13T15:10:30Z) - Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。
GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
論文 参考訳(メタデータ) (2023-12-19T06:06:30Z) - 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) - A Relational Intervention Approach for Unsupervised Dynamics
Generalization in Model-Based Reinforcement Learning [113.75991721607174]
同じ環境に属する2つの推定$hatz_i, hatz_j$の確率を推定するための介入予測モジュールを導入する。
提案手法により推定される$hatZ$は,従来の方法よりも冗長な情報が少ないことを実証的に示す。
論文 参考訳(メタデータ) (2022-06-09T15:01:36Z) - Amortized Generation of Sequential Counterfactual Explanations for
Black-box Models [26.91950709495675]
事実的説明(CFE)は、フォームのフィードバックを提供する。
現在のCFEアプローチは、シングルショット -- つまり、単一の期間で$x$を$x'$に変更できると仮定する。
我々は、$x$を中間状態から最終状態に移動させるシーケンシャルなCFEを生成する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-07T20:54:48Z) - $FM^2$: Field-matrixed Factorization Machines for Recommender Systems [9.461169933697379]
フィールド情報を効果的かつ効率的にモデル化するための新しい手法を提案する。
提案手法はFwFMの直接改良であり、FmFM(Field-matrixed Factorization Machines)と呼ばれている。
論文 参考訳(メタデータ) (2021-02-20T00:03:37Z) - Model-Augmented Q-learning [112.86795579978802]
モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。
具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。
提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
論文 参考訳(メタデータ) (2021-02-07T17:56:50Z) - Exploiting Submodular Value Functions For Scaling Up Active Perception [60.81276437097671]
アクティブな知覚タスクでは、エージェントは1つ以上の隠れ変数の不確実性を減少させる感覚行動を選択することを目的としている。
部分的に観測可能なマルコフ決定過程(POMDP)は、そのような問題に対する自然なモデルを提供する。
エージェントが利用できるセンサーの数が増えるにつれて、POMDP計画の計算コストは指数関数的に増加する。
論文 参考訳(メタデータ) (2020-09-21T09:11:36Z) - Stochastic Optimization for Performative Prediction [31.876692592395777]
モデルパラメータを単に更新することと、新しいモデルをデプロイすることの違いについて検討する。
各更新後にモデルを厳格にデプロイし、再デプロイする前に数回の更新を行うための収束率を証明する。
彼らは、パフォーマンス効果の強さによって、どちらのアプローチも他方よりも優れる体制が存在することを説明している。
論文 参考訳(メタデータ) (2020-06-12T00:31:16Z)
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。