論文の概要: GeoShapley: A Game Theory Approach to Measuring Spatial Effects in Machine Learning Models

• arxiv url: http://arxiv.org/abs/2312.03675v1
• Date: Wed, 6 Dec 2023 18:39:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 13:45:37.618472
• Title: GeoShapley: A Game Theory Approach to Measuring Spatial Effects in Machine Learning Models
• Title（参考訳）: GeoShapley: 機械学習モデルにおける空間効果測定のためのゲーム理論アプローチ
• Authors: Ziqi Li
• Abstract要約: GeoShapleyは、機械学習モデルにおける空間効果を測定するゲーム理論のアプローチである。 GeoShapleyはモデルに依存しないアプローチであり、統計モデルやブラックボックス機械学習モデルに適用することができる。
• 参考スコア（独自算出の注目度）: 0.8883733362171033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces GeoShapley, a game theory approach to measuring spatial effects in machine learning models. GeoShapley extends the Nobel Prize-winning Shapley value framework in game theory by conceptualizing location as a player in a model prediction game, which enables the quantification of the importance of location and the synergies between location and other features in a model. GeoShapley is a model-agnostic approach and can be applied to statistical or black-box machine learning models in various structures. The interpretation of GeoShapley is directly linked with spatially varying coefficient models for explaining spatial effects and additive models for explaining non-spatial effects. Using simulated data, GeoShapley values are validated against known data-generating processes and are used for cross-comparison of seven statistical and machine learning models. An empirical example of house price modeling is used to illustrate GeoShapley's utility and interpretation with real world data. The method is available as an open-source Python package named geoshapley.
• Abstract（参考訳）: 本稿では,機械学習モデルにおける空間効果を測定するゲーム理論であるGeoShapleyを紹介する。 geoshapleyは、モデル予測ゲームにおけるプレイヤーとしての位置の概念化により、ノーベル賞を受賞したシャプリー価値フレームワークを拡張し、モデルにおける位置の重要性と位置とその他の特徴の相乗効果を定量化することができる。 GeoShapleyはモデルに依存しないアプローチであり、様々な構造の統計モデルやブラックボックス機械学習モデルに適用することができる。 GeoShapleyの解釈は、空間効果を説明するための空間変化係数モデルと非空間効果を説明するための付加モデルと直接リンクしている。 シミュレーションデータを用いて、GeoShapley値は既知のデータ生成プロセスに対して検証され、7つの統計モデルと機械学習モデルの相互比較に使用される。 住宅価格モデリングの実証的な例は、GeoShapleyの実用性と解釈を実世界のデータで説明するために用いられる。 このメソッドはgeoshapleyというオープンソースのPythonパッケージとして利用できる。

関連論文リスト

• Topological Parallax: A Geometric Specification for Deep Perception Models [0.778001492222129]
  本稿では,学習したモデルを参照データセットと比較する理論的・計算ツールとしてトポロジカルパララックスを導入する。 我々の例では、データセットとモデルの間のこの幾何学的類似性は、信頼性と摂動に不可欠である。 この新しい概念は、ディープラーニングの応用における過度な適合と一般化の間の不明瞭な関係について、現在の議論に価値をもたらすだろう。
  論文  参考訳（メタデータ） (2023-06-20T18:45:24Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• Evaluation Challenges for Geospatial ML [5.576083740549639]
  地理空間機械学習モデルと地図は、科学と政策の下流分析にますます使われている。 空間機械学習出力の正確な測定方法は議論の的となっている。 本稿では,グローバルあるいはリモートセンシングされたデータセットを用いた地理空間機械学習におけるモデル評価のユニークな課題について述べる。
  論文  参考訳（メタデータ） (2023-03-31T14:24:06Z)
• Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
  トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。 我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
  論文  参考訳（メタデータ） (2022-11-07T14:52:58Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• Breiman's two cultures: You don't have to choose sides [10.695407438192527]
  Breiman氏の古典的な論文は、2つの文化の選択肢としてデータ分析をキャストする。 データモデラーは、データ解析によく理解された理論的特性を持つ単純な解釈可能なモデルを使用する。 アルゴリズムモデラーは予測精度を優先順位付けし、より柔軟な関数近似を用いてデータを分析する。
  論文  参考訳（メタデータ） (2021-04-25T17:58:46Z)
• Geostatistical Learning: Challenges and Opportunities [0.0]
  本稿では,地理統計学的(移動)学習問題を紹介し,地理空間データからの学習の課題を説明する。 合成ガウス過程データとニュージーランドの地球物理調査の実データを用いた実験は、いずれの手法も地理空間的文脈におけるモデル選択に適していないことを示している。
  論文  参考訳（メタデータ） (2021-02-17T14:33:15Z)
• Generative Models as Distributions of Functions [72.2682083758999]
  生成モデルは一般的に、画像のようなグリッドのようなデータに基づいて訓練される。 本稿では,離散格子を放棄し,連続関数による個々のデータポイントのパラメータ化を行う。
  論文  参考訳（メタデータ） (2021-02-09T11:47:55Z)
• Interactive slice visualization for exploring machine learning models [0.0]
  予測空間のスライスをインタラクティブに可視化し,解釈可能性の低下に対処する。 具体的には,機械学習アルゴリズムのブラックボックスを開放し,モデルの適合性を疑問視し,説明し,検証し,比較する。
  論文  参考訳（メタデータ） (2021-01-18T10:47:53Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。