論文の概要: Stabilizing Estimates of Shapley Values with Control Variates

• arxiv url: http://arxiv.org/abs/2310.07672v3
• Date: Wed, 10 Apr 2024 00:35:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 19:25:41.087740
• Title: Stabilizing Estimates of Shapley Values with Control Variates
• Title（参考訳）: 制御変数による共有値の推定の安定化
• Authors: Jeremy Goldwasser, Giles Hooker,
• Abstract要約: シェープ値は、ブラックボックス機械学習モデルの予測を説明する最も一般的なツールの1つである。 我々の方法論はどんな機械学習モデルにも適用でき、余分な計算やモデリングの労力をほとんど必要としない。 いくつかの高次元データセットでは、シェープリー推定のモンテカルロ変動率を劇的に減少させることができる。
• 参考スコア（独自算出の注目度）: 3.8642937395065124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shapley values are among the most popular tools for explaining predictions of blackbox machine learning models. However, their high computational cost motivates the use of sampling approximations, inducing a considerable degree of uncertainty. To stabilize these model explanations, we propose ControlSHAP, an approach based on the Monte Carlo technique of control variates. Our methodology is applicable to any machine learning model and requires virtually no extra computation or modeling effort. On several high-dimensional datasets, we find it can produce dramatic reductions in the Monte Carlo variability of Shapley estimates.
• Abstract（参考訳）: シェープ値は、ブラックボックス機械学習モデルの予測を説明する最も一般的なツールの1つである。 しかし、その高い計算コストはサンプリング近似の使用を動機付け、かなりの不確実性を引き起こす。 これらのモデル説明を安定させるために,モンテカルロ法に基づく制御変分法である制御SHAPを提案する。 我々の方法論はどんな機械学習モデルにも適用でき、余分な計算やモデリングの労力をほとんど必要としない。 いくつかの高次元データセットでは、シェープリー推定のモンテカルロ変動率を劇的に減少させることができる。

関連論文リスト

• Improving the Sampling Strategy in KernelSHAP [0.8057006406834466]
  KernelSHAPフレームワークは、重み付けされた条件付き期待値のサンプルサブセットを用いて、Shapley値の近似を可能にする。 本稿では,現在最先端戦略における重みの分散を低減するための安定化手法,サンプルサブセットに基づいてShapleyカーネル重みを補正する新しい重み付け方式,および重要なサブセットを包含して修正されたShapleyカーネル重みと統合する簡単な戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-07T10:02:31Z)
• Shapley Marginal Surplus for Strong Models [0.9831489366502301]
  我々は、Shapley値がモデル予測の正確な説明であるが、機械学習モデル自体が真のデータ生成プロセス(DGP)の貧弱な説明であることを示している。 そこで,本研究では,特徴量から推定されるモデル空間を抽出する,新しい変数重要度アルゴリズム,Shapley Marginal Surplus for Strong Modelsを導入する。
  論文  参考訳（メタデータ） (2024-08-16T17:06:07Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Efficient Shapley Values Estimation by Amortization for Text Classification [66.7725354593271]
  我々は,各入力特徴のシェープ値を直接予測し,追加のモデル評価を行なわずに補正モデルを開発する。 2つのテキスト分類データセットの実験結果から、アモルタイズされたモデルでは、Shapley Valuesを最大60倍のスピードアップで正確に見積もっている。
  論文  参考訳（メタデータ） (2023-05-31T16:19:13Z)
• Shapley variable importance cloud for machine learning models [4.1359299555083595]
  最近開発されたShapley変数重要クラウド(ShapleyVIC)は、包括的で堅牢な変数重要度評価を提供する。 ShapleyVIC推論の利点は実生活予測タスクで実証されている。 より広範なアプリケーションを可能にする機械学習モデルのShapleyVIC実装。
  論文  参考訳（メタデータ） (2022-12-16T09:45:22Z)
• Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo sampling [58.14878401145309]
  PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。 Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
  論文  参考訳（メタデータ） (2022-05-12T11:15:47Z)
• Using Shapley Values and Variational Autoencoders to Explain Predictive Models with Dependent Mixed Features [2.064612766965483]
  任意の条件付オートエンコーダ(VAEAC)を用いて,すべての機能依存関係を同時にモデル化する。 UCI Machine Learning RepositoryのデータセットであるAbaloneにVAEACを適用する。
  論文  参考訳（メタデータ） (2021-11-26T14:05:45Z)
• Evaluating model-based planning and planner amortization for continuous control [79.49319308600228]
  我々は、モデル予測制御(MPC)と学習モデルとモデルフリーポリシー学習を組み合わせたハイブリッドアプローチを採っている。 モデルフリーエージェントは高いDoF制御問題においても強いベースラインであることがわかった。 モデルに基づくプランナを,パフォーマンスを損なうことなく,計画が損なわれるようなポリシーに置き換えることが可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T12:00:40Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Scalable Control Variates for Monte Carlo Methods via Stochastic Optimization [62.47170258504037]
  本稿では,制御,カーネル,ニューラルネットワークを用いた既存のアプローチを包含し,一般化するフレームワークを提案する。 新たな理論的結果は、達成可能な分散還元に関する洞察を与えるために提示され、ベイズ推定への応用を含む経験的評価が支持される。
  論文  参考訳（メタデータ） (2020-06-12T22:03:25Z)

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。