論文の概要: Sample based Explanations via Generalized Representers

• arxiv url: http://arxiv.org/abs/2310.18526v1
• Date: Fri, 27 Oct 2023 22:54:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 18:08:28.774108
• Title: Sample based Explanations via Generalized Representers
• Title（参考訳）: 一般化表現によるサンプルベース説明
• Authors: Che-Ping Tsai, Chih-Kuan Yeh, Pradeep Ravikumar
• Abstract要約: 一般表現器は, 自然集合の公理的性質を満たすサンプルベース説明の唯一のクラスであることを示す。 我々は、カーネルに与えられたグローバルな重要性を抽出するためのアプローチと、現代の非線形モデルに与えられたカーネルの自然な選択について議論する。
• 参考スコア（独自算出の注目度）: 42.53488505266559
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a general class of sample based explanations of machine learning models, which we term generalized representers. To measure the effect of a training sample on a model's test prediction, generalized representers use two components: a global sample importance that quantifies the importance of the training point to the model and is invariant to test samples, and a local sample importance that measures similarity between the training sample and the test point with a kernel. A key contribution of the paper is to show that generalized representers are the only class of sample based explanations satisfying a natural set of axiomatic properties. We discuss approaches to extract global importances given a kernel, and also natural choices of kernels given modern non-linear models. As we show, many popular existing sample based explanations could be cast as generalized representers with particular choices of kernels and approaches to extract global importances. Additionally, we conduct empirical comparisons of different generalized representers on two image and two text classification datasets.
• Abstract（参考訳）: 本稿では,機械学習モデルのサンプルベース説明の一般クラスを提案し,これを一般化表現器と呼ぶ。 モデルのテスト予測に対するトレーニングサンプルの効果を測定するために、一般化された表現者は、モデルに対するトレーニングポイントの重要性を定量化し、テストサンプルに不変であるグローバルサンプル重要度と、トレーニングサンプルとカーネルとのテストポイントとの類似度を測定するローカルサンプル重要度という2つのコンポーネントを使用する。 この論文の重要な貢献は、一般表現者が自然な公理的性質を満たすサンプルベース説明の唯一のクラスであることを示すことである。 我々は, カーネルが与えるグローバル重要度を抽出する手法と, 現代的な非線形モデルが与えるカーネルの自然選択について論じる。 示すように、多くの一般的なサンプルベースの説明は、カーネルの特定の選択とグローバルな重要性を抽出するためのアプローチで一般化された表現子としてキャストすることができる。 さらに、2つの画像と2つのテキスト分類データセットについて、異なる一般化表現者の経験的比較を行う。

関連論文リスト

• Towards the Visualization of Aggregated Class Activation Maps to Analyse the Global Contribution of Class Features [0.47248250311484113]
  クラスアクティベーションマップ(CAM)は、分類に寄与するデータサンプルの各機能の重要性を視覚化する。 複数のサンプルからCAMを集約し,意味的に構造化されたデータの分類のグローバルな説明を示す。 我々のアプローチでは,分析者が高次元データの重要な特徴を検出し,世界的説明の可視化に基づいてAIモデルに調整を導出することができる。
  論文  参考訳（メタデータ） (2023-07-29T11:13:11Z)
• Representer Point Selection for Explaining Regularized High-dimensional Models [105.75758452952357]
  本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。 私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。 提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2023-05-31T16:23:58Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• A Model of One-Shot Generalization [6.155604731137828]
  ワンショット一般化(One-shot generalization)とは、ひとつのタスク内で伝達学習を行うアルゴリズムの能力である。 データモデルに対する最も直接的なニューラルネットワークアーキテクチャは、ほぼ完璧にワンショットの一般化を実行することを示す。
  論文  参考訳（メタデータ） (2022-05-29T01:41:29Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• Instance-Based Neural Dependency Parsing [56.63500180843504]
  依存関係解析のための解釈可能な推論プロセスを持つニューラルモデルを開発する。 私たちのモデルはインスタンスベースの推論を採用しており、トレーニングセットのエッジと比較することで、依存関係のエッジを抽出し、ラベル付けします。
  論文  参考訳（メタデータ） (2021-09-28T05:30:52Z)
• Toward Scalable and Unified Example-based Explanation and Outlier Detection [128.23117182137418]
  我々は,試行錯誤の予測に例ベースの説明を与えることのできる,プロトタイプベースの学生ネットワークのより広範な採用を論じる。 類似カーネル以外のプロトタイプベースのネットワークは,分類精度を損なうことなく,有意義な説明と有望な外乱検出結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-11-11T05:58:17Z)
• Interpretable Time-series Classification on Few-shot Samples [27.05851877375113]
  本稿では,少数の時系列分類のための解釈可能なニューラルネットワーク,すなわちtextitDual Prototypeal Shapelet Networks (DPSN)を提案する。 DPSNは, 二つの粒度からモデルを解釈する: 1) 代表時系列サンプルを用いた大域的概要, 2) 識別型シェープレットを用いた局所的ハイライト。 我々は、公開ベンチマークデータセットから18個のショットTSCデータセットを抽出し、ベースラインとの比較により提案手法の評価を行った。
  論文  参考訳（メタデータ） (2020-06-03T03:47:14Z)

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。