論文の概要: DISCOUNT: Distributional Counterfactual Explanation With Optimal
Transport
- arxiv url: http://arxiv.org/abs/2401.13112v2
- Date: Sat, 27 Jan 2024 19:40:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 19:58:11.382386
- Title: DISCOUNT: Distributional Counterfactual Explanation With Optimal
Transport
- Title(参考訳): DisCOUNT: 最適輸送による分散対実的説明
- Authors: Lei You, Lele Cao, Mattias Nilsson
- Abstract要約: Counterfactual Explanations (CE) は、ブラックボックス決定モデルにおける洞察と解釈可能性を提供するデファクト手法である。
本稿では,CEの概念を分散コンテキストに拡張し,個々のデータポイントから,DCE(Distributedal Counterfactal Explanation)と呼ばれる入力および出力分布全体へのスコープを広げる。
我々は,オプティマルトランスポート(OT)を利用して,現実と密に一致した反事実分布を導出することを目的として,確率制約のある問題をフレーム化する。
- 参考スコア(独自算出の注目度): 6.297619293505308
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Counterfactual Explanations (CE) is the de facto method for providing insight
and interpretability in black-box decision-making models by identifying
alternative input instances that lead to different outcomes. This paper extends
the concept of CEs to a distributional context, broadening the scope from
individual data points to entire input and output distributions, named
Distributional Counterfactual Explanation (DCE). In DCE, our focus shifts to
analyzing the distributional properties of the factual and counterfactual,
drawing parallels to the classical approach of assessing individual instances
and their resulting decisions. We leverage Optimal Transport (OT) to frame a
chance-constrained optimization problem, aiming to derive a counterfactual
distribution that closely aligns with its factual counterpart, substantiated by
statistical confidence. Our proposed optimization method, DISCOUNT,
strategically balances this confidence across both input and output
distributions. This algorithm is accompanied by an analysis of its convergence
rate. The efficacy of our proposed method is substantiated through a series of
illustrative case studies, highlighting its potential in providing deep
insights into decision-making models.
- Abstract(参考訳): Counterfactual Explanations (CE) は、異なる結果をもたらす代替入力インスタンスを特定することによって、ブラックボックス決定モデルにおける洞察と解釈可能性を提供するデファクト手法である。
本稿では、CEの概念を分散コンテキストに拡張し、個々のデータポイントから、DCE(Distributedal Counterfactal Explanation)と呼ばれる、入力および出力分布全体へのスコープを広げる。
DCEでは、実例と反事実の分布特性の分析に焦点が移り、個々の事例と結果の決定を古典的なアプローチで評価するのと類似している。
我々は、確率制約付き最適化問題に最適輸送(OT)を活用し、統計的信頼度に基づく実例と密に一致した反事実分布を導出することを目的としている。
提案手法であるdisCOUNTは,この信頼性を入力分布と出力分布の両方で戦略的にバランスさせる。
このアルゴリズムには収束率の解析が伴う。
提案手法の有効性は, 一連の事例研究を通じて実証され, 意思決定モデルに深い洞察を与える可能性を強調した。
関連論文リスト
- Estimating Barycenters of Distributions with Neural Optimal Transport [96.79562439021494]
本稿では,Wasserstein Barycenter問題を解くための新しいスケーラブルなアプローチを提案する。
我々の手法は最近のNeural OTソルバをベースとしている。
また,提案手法の理論的誤差境界も確立する。
論文 参考訳(メタデータ) (2024-02-06T09:17:07Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳(メタデータ) (2024-01-29T02:08:40Z) - Towards Context-Aware Domain Generalization: Understanding the Benefits
and Limits of Marginal Transfer Learning [1.5320861212113897]
我々は、コンテキストの概念をデータポイントの集合の置換不変表現として定式化する。
経験的分析により、我々の基準は好ましくないシナリオと好ましくないシナリオの両方を識別するのに有効であることが示された。
論文 参考訳(メタデータ) (2023-12-15T05:18:07Z) - Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳(メタデータ) (2023-11-13T13:19:34Z) - Unifying Distributionally Robust Optimization via Optimal Transport
Theory [13.19058156672392]
本稿では,これらの手法を最適輸送に基づく単一フレームワークに統一する新しい手法を提案する。
提案手法により,最適対向分布が同時に摂動確率と結果を得ることが可能となる。
本稿では, この統合フレームワークの実用性を高めるための, トラクタブルな改質手法を提案する。
論文 参考訳(メタデータ) (2023-08-10T08:17:55Z) - Statistical Inference Under Constrained Selection Bias [20.862583584531322]
本稿では,選択バイアスが存在する場合の統計的推測を可能にする枠組みを提案する。
出力は、目標分布に対する推定値に対する高確率境界である。
我々はこれらの境界を推定するための手法の計算的および統計的特性を分析し、これらの手法が様々なシミュレートされた半合成的なタスクに対して情報的境界を生成可能であることを示す。
論文 参考訳(メタデータ) (2023-06-05T23:05:26Z) - Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。
本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。
本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
論文 参考訳(メタデータ) (2021-07-29T17:42:12Z) - Robustifying Conditional Portfolio Decisions via Optimal Transport [19.30689697702845]
副次情報,条件推定,ロバスト性を統合したデータ駆動型ポートフォリオ選択モデルを提案する。
側情報問題による分散ロバストなポートフォリオ割り当ては,有限次元最適化問題として再構成可能であることを示す。
論文 参考訳(メタデータ) (2021-03-30T15:56:03Z) - Generalization Properties of Optimal Transport GANs with Latent
Distribution Learning [52.25145141639159]
本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。
我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
論文 参考訳(メタデータ) (2020-07-29T07:31:33Z) - Multi-source Domain Adaptation via Weighted Joint Distributions Optimal
Transport [35.37752209765114]
未ラベルのターゲットデータセットに対するドメイン適応に対する新しいアプローチを提案する。
我々は,対象タスクの重み付けを手元に調整することで,ソース分布の多様性を利用する。
Weighted Joint Distribution Optimal Transport (WJDOT) と名付けられた本手法は,ソースとターゲットの分布の最適輸送に基づくアライメントを同時に見つけることを目的としている。
論文 参考訳(メタデータ) (2020-06-23T12:33:30Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
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。