論文の概要: One-for-many Counterfactual Explanations by Column Generation

• arxiv url: http://arxiv.org/abs/2402.09473v1
• Date: Mon, 12 Feb 2024 10:03:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 18:27:13.511997
• Title: One-for-many Counterfactual Explanations by Column Generation
• Title（参考訳）: 列生成による一対一の対実的説明
• Authors: Andrea Lodi and Jasone Ram\'irez-Ayerbe
• Abstract要約: 我々は,一群のインスタンスに対して,一組の対実的説明を生成するという問題を考察する。 はじめに、すべてのインスタンスを説明するのに必要な説明の数を最小化する問題を解く。 説明を効率的に検索する新しい列生成フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 10.722820966396192
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we consider the problem of generating a set of counterfactual explanations for a group of instances, with the one-for-many allocation rule, where one explanation is allocated to a subgroup of the instances. For the first time, we solve the problem of minimizing the number of explanations needed to explain all the instances, while considering sparsity by limiting the number of features allowed to be changed collectively in each explanation. A novel column generation framework is developed to efficiently search for the explanations. Our framework can be applied to any black-box classifier, like neural networks. Compared with a simple adaptation of a mixed-integer programming formulation from the literature, the column generation framework dominates in terms of scalability, computational performance and quality of the solutions.
• Abstract（参考訳）: 本稿では,インスタンスのサブグループに1つの説明を割り当てる一対一の割り当てルールを用いて,一対一のインスタンス群に対する対実的な説明を生成する問題を考察する。 そこで,本研究では,各説明で変更可能な特徴の数を限定することでスパーシティを考慮しつつ,すべての事例を説明するのに必要な説明回数を最小化する問題を初めて解決する。 説明を効率的に検索する新しい列生成フレームワークを開発した。 我々のフレームワークは、ニューラルネットワークのようなあらゆるブラックボックス分類器に適用できます。 文献からの混合整数型プログラミングの簡単な適応と比較すると、列生成フレームワークはスケーラビリティ、計算性能、ソリューションの品質において支配的である。

関連論文リスト

• Generating collective counterfactual explanations in score-based classification via mathematical optimization [4.281723404774889]
  インスタンスの反実的な説明は、このインスタンスを最小限に修正して、摂動インスタンスを望ましいクラスに分類する方法を示している。 カウンターファクト・アナリティクスの文献の多くは、単一インスタンスの単一カウントファクト・セッティングに焦点を当てている。 新規な数学的最適化モデルにより、興味ある群における各インスタンスに対する対実的説明を提供する。
  論文  参考訳（メタデータ） (2023-10-19T15:18:42Z)
• Explanation Selection Using Unlabeled Data for Chain-of-Thought Prompting [80.9896041501715]
  非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。 本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T18:02:34Z)
• Cluster Explanation via Polyhedral Descriptions [0.0]
  クラスタリングは教師なしの学習問題であり、競合しないデータポイントを同様の機能を持つグループに分割することを目的としている。 従来のクラスタリングアルゴリズムは、グループ割り当ての解釈可能性ではなく、正確性に重点を置いているため、グループに対する限られた洞察を提供する。 本稿では,各クラスタのまわりにポリヘドラを配置し,結果として生じるポリヘドラの複雑さを最小化して,クラスタを説明するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-10-17T07:26:44Z)
• Explainable Clustering via Exemplars: Complexity and Efficient Approximation Algorithms [30.369731369945296]
  本稿では,各クラスタを説明するためのクラスタや例を見出すための,説明可能なクラスタリング手法を提案する。 理解のための模範的概念の使用は、心理学における模範的概念定義の流派によって支持されている。 一つのクラスタでも説明できるような,小さな例の集合を見つけることは,計算的に難解であることを示す。
  論文  参考訳（メタデータ） (2022-09-20T12:09:51Z)
• Fidelity of Ensemble Aggregation for Saliency Map Explanations using Bayesian Optimization Techniques [0.0]
  我々は,異なる画素ベースのアグリゲーションスキームを新しい説明を生成するために提示し,比較する。 個々の説明の差異を集約プロセスに組み込む。 また,複数の正規化手法がアンサンブルアグリゲーションに与える影響を解析した。
  論文  参考訳（メタデータ） (2022-07-04T16:34:12Z)
• Unsupervised Summarization with Customized Granularities [76.26899748972423]
  本稿では,最初の教師なし多粒度要約フレームワークであるGranuSumを提案する。 異なる数のイベントを入力することで、GranuSumは教師なしの方法で複数の粒度のサマリーを生成することができる。
  論文  参考訳（メタデータ） (2022-01-29T05:56:35Z)
• Explanations for Monotonic Classifiers [26.044285532808075]
  多くの分類タスクでは、単調性の要求がある。 単調な分類法を学ぶための包括的な努力にもかかわらず、単調な説明のための専用のアプローチは乏しい。 本稿では,ブラックボックス単調分類器の一形式的説明の計算アルゴリズムについて述べる。 本稿では,形式的説明を列挙する実用的なモデル非依存アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-01T00:14:12Z)
• Text Modular Networks: Learning to Decompose Tasks in the Language of Existing Models [61.480085460269514]
  本稿では,既存のモデルで解けるより単純なモデルに分解することで,複雑なタスクを解くための解釈可能なシステムを構築するためのフレームワークを提案する。 我々はこのフレームワークを用いて、ニューラルネットワークのファクトイド単一スパンQAモデルとシンボリック電卓で答えられるサブクエストに分解することで、マルチホップ推論問題に答えられるシステムであるModularQAを構築する。
  論文  参考訳（メタデータ） (2020-09-01T23:45:42Z)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• ClarQ: A large-scale and diverse dataset for Clarification Question Generation [67.1162903046619]
  そこで我々は,スタックエクスチェンジから抽出したポストコメンデーションに基づいて,多様な,大規模な明確化質問データセットの作成を支援する,新しいブートストラップフレームワークを考案した。 質問応答の下流タスクに適用することで,新たに作成したデータセットの有用性を定量的に示す。 我々はこのデータセットを公開し、ダイアログと質問応答システムの拡張という大きな目標を掲げて、質問生成の分野の研究を促進する。
  論文  参考訳（メタデータ） (2020-06-10T17:56:50Z)

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。