論文の概要: Locally-Minimal Probabilistic Explanations
- arxiv url: http://arxiv.org/abs/2312.11831v2
- Date: Wed, 20 Dec 2023 08:41:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 12:23:03.598006
- Title: Locally-Minimal Probabilistic Explanations
- Title(参考訳): 局所最小確率的説明
- Authors: Yacine Izza, Kuldeep S. Meel, Joao Marques-Silva
- Abstract要約: 本稿では,局所最小PXApsの制限に対する新しいアルゴリズムを提案する。
実験の結果,提案アルゴリズムの有効性が示された。
- 参考スコア(独自算出の注目度): 38.16697111182055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Formal abductive explanations offer crucial guarantees of rigor and so are of
interest in high-stakes uses of machine learning (ML). One drawback of
abductive explanations is explanation size, justified by the cognitive limits
of human decision-makers. Probabilistic abductive explanations (PAXps) address
this limitation, but their theoretical and practical complexity makes their
exact computation most often unrealistic. This paper proposes novel efficient
algorithms for the computation of locally-minimal PXAps, which offer
high-quality approximations of PXAps in practice. The experimental results
demonstrate the practical efficiency of the proposed algorithms.
- Abstract(参考訳): 形式的帰納的説明は厳密性の重要な保証を提供するので、機械学習(ML)の高用法に関心がある。
誘惑的な説明の欠点は、人間の意思決定者の認知的限界によって正当化される説明のサイズである。
確率的帰納的説明(PAXps)は、この制限に対処するが、理論的かつ実践的な複雑さは、その正確な計算をしばしば非現実的にする。
本稿では,PXApsの高精度な近似を行うローカル最小PXApsの計算アルゴリズムを提案する。
実験の結果,提案アルゴリズムの有効性が示された。
関連論文リスト
- Efficient Computation of Sparse and Robust Maximum Association
Estimators [0.5156484100374059]
高次元経験例は、この手順の有用性を裏付けるものである。
ラグランジアンアルゴリズムとスパース降下の組み合わせはスパース空間の誘導に適した制約を含むように実装されている。
論文 参考訳(メタデータ) (2023-11-29T11:57:50Z) - Deriving Comprehensible Theories from Probabilistic Circuits [4.61332483263247]
確率回路(PC)は、トラクタブル確率モデルのための汎用的で統一的なフレームワークである。
本稿では,可解で可読な論理理論を計算し,確率回路の説明可能性を向上させる。
評価は,PCの高密度領域を記述した理解可能な論理理論を効果的に作成できることを示唆している。
論文 参考訳(メタデータ) (2023-11-22T13:19:45Z) - Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。
既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。
提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文 参考訳(メタデータ) (2023-07-08T15:41:48Z) - Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。
本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。
いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-07-14T18:18:02Z) - Sample-Efficient Reinforcement Learning for POMDPs with Linear Function
Approximations [130.66193083412716]
本稿では,関数近似と部分観測可能性の緊張に対処する。
最適ポリシーと値関数は有限メモリヒルベルト・ベルマン作用素の列によって特徴づけられることを示す。
本稿では、カーネル空間(RKHS)の埋め込みを再現することで、これらの演算子の楽観的な推定値を構成するRLアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-04-20T21:15:38Z) - Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。
本稿では,理論的観点から,そのような手法の性能について考察する。
交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
論文 参考訳(メタデータ) (2020-11-03T15:33:10Z) - Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。
スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。
本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-23T04:25:36Z) - Convex Density Constraints for Computing Plausible Counterfactual
Explanations [8.132423340684568]
因果的説明は、あるモデルの特定の決定を説明する最も一般的な手法の1つであると考えられている。
我々は最近の研究に基づいて、妥当な対実的説明の形式的定義を提案し、研究する。
特に, 実測値の妥当性と妥当性を高めるために, 密度推定器の応用について検討する。
論文 参考訳(メタデータ) (2020-02-12T09:23:42Z)
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。