Fugu-MT 論文翻訳(概要): A Two-Stage Algorithm for Cost-Efficient Multi-instance Counterfactual Explanations

論文の概要: A Two-Stage Algorithm for Cost-Efficient Multi-instance Counterfactual Explanations

arxiv url: http://arxiv.org/abs/2403.01221v2
Date: Tue, 21 May 2024 11:34:38 GMT
ステータス: 翻訳完了
システム内更新日: 2024-05-22 18:22:08.293088
Title: A Two-Stage Algorithm for Cost-Efficient Multi-instance Counterfactual Explanations
Title（参考訳）: コスト効率の良いマルチインスタンス対実説明のための2段階アルゴリズム
Authors: André Artelt, Andreas Gregoriades,
Abstract要約: 本稿では,インスタンス群を探索し,コスト効率の高いマルチインスタンス対実説明を計算するためのフレキシブルな2段階アルゴリズムを提案する。本稿では,提案アルゴリズムとその性能を,比較評価により評価する。
参考スコア（独自算出の注目度）: 2.992602379681373
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Counterfactual explanations constitute among the most popular methods for analyzing black-box systems since they can recommend cost-efficient and actionable changes to the input of a system to obtain the desired system output. While most of the existing counterfactual methods explain a single instance, several real-world problems, such as customer satisfaction, require the identification of a single counterfactual that can satisfy multiple instances (e.g. customers) simultaneously. To address this limitation, in this work, we propose a flexible two-stage algorithm for finding groups of instances and computing cost-efficient multi-instance counterfactual explanations. The paper presents the algorithm and its performance against popular alternatives through a comparative evaluation.
Abstract（参考訳）: ブラックボックスシステムを分析する最も一般的な手法は、システム入力に対するコスト効率と実用的な変更を推奨し、所望のシステム出力を得るためである。既存のカウンターファクトの手法のほとんどは単一のインスタンスを説明するが、顧客の満足度などいくつかの現実の問題は、複数のインスタンス(例えば顧客)を同時に満たすことのできる単一のカウンターファクトの識別を必要とする。この制限に対処するため,本研究では,インスタンス群を見つけるための柔軟な2段階のアルゴリズムを提案し,コスト効率の高いマルチインスタンスの対実的説明を計算する。本稿では,提案アルゴリズムとその性能を,比較評価により評価する。

関連論文リスト

Achieving More with Less: Additive Prompt Tuning for Rehearsal-Free Class-Incremental Learning [76.32953653161417]
クラス増分学習は、モデルが学習したクラスの知識を保持しながら、新しいクラスを段階的に学習することを可能にする。この分野での最近の進歩はパラメータ効率のよい微調整技術へと移行している。本稿では,現在のアプローチの限界に対処する新しいプロンプトベースのアプローチを提案する。
論文参考訳（メタデータ） (2025-03-11T02:27:37Z)
On Speeding Up Language Model Evaluation [48.51924035873411]
LLM(Large Language Models)を用いたプロンプトベースの手法の開発には、多くの意思決定が必要である。この課題に対処するための新しい手法を提案する。典型的に必要とされるリソースの5～15%しか必要とせず,トップパフォーマンスの手法を識別できることが示される。
論文参考訳（メタデータ） (2024-07-08T17:48:42Z)
Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文参考訳（メタデータ） (2024-06-21T05:57:08Z)
Task Facet Learning: A Structured Approach to Prompt Optimization [14.223730629357178]
本稿では,タスクの複数の面をトレーニング例から学習するアルゴリズムを提案する。結果のアルゴリズムであるUniPromptは、各プロンプトセクションの初期候補を生成する生成モデルで構成されている。複数のデータセットと実世界のタスクに対する経験的評価は、UniPromptを使って生成されたプロンプトが、人間のチューニングしたプロンプトよりも高い精度が得られることを示している。
論文参考訳（メタデータ） (2024-06-15T04:54:26Z)
FastGAS: Fast Graph-based Annotation Selection for In-Context Learning [53.17606395275021]
インコンテキスト学習(ICL)は、大規模言語モデル(LLM)に対して、一連のトレーニングインスタンスをプロンプトとして使用することにより、新しいタスクに対処する権限を与える。既存の手法では、アノテーションのラベルなし例のサブセットを選択する方法が提案されている。本稿では,高品質なインスタンスを効率的に識別するグラフベースの選択手法であるFastGASを提案する。
論文参考訳（メタデータ） (2024-06-06T04:05:54Z)
Preference Inference from Demonstration in Multi-objective Multi-agent Decision Making [0.0]
本稿では,最適あるいは準最適のいずれかから線形選好重みを推定するアルゴリズムを提案する。実験結果から, ベースラインアルゴリズムと比較して有意な改善が得られた。今後,マルチエージェントシステムにおけるアルゴリズムの有効性を評価することを計画している。
論文参考訳（メタデータ） (2023-04-27T12:19:28Z)
Global and Preference-based Optimization with Mixed Variables using Piecewise Affine Surrogates [0.6083861980670925]
本稿では,線形制約付き混合変数問題の解法として,新しいサロゲートに基づく大域的最適化アルゴリズムを提案する。提案手法は, 目的関数の断片的なアフィンサロゲートを, 実現可能なサンプル上に構築することに基づいている。この2つのアルゴリズムは、制約なしおよび制約付き混合変数ベンチマーク問題に対して評価される。
論文参考訳（メタデータ） (2023-02-09T15:04:35Z)
Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文参考訳（メタデータ） (2022-09-27T19:04:36Z)
Dynamic Proposals for Efficient Object Detection [48.66093789652899]
本稿では,オブジェクト検出のための動的提案を生成することによって,異なる計算資源に適応する簡易かつ効果的な手法を提案する。提案手法は,2段階モデルと問合せモデルを含む広範囲な検出モデルにおいて,大幅な高速化を実現する。
論文参考訳（メタデータ） (2022-07-12T01:32:50Z)
Budgeted Classification with Rejection: An Evolutionary Method with Multiple Objectives [0.0]
予算付きシーケンシャル分類器(BSC)プロセスは、部分的特徴取得と評価ステップのシーケンスを通じて入力を行う。これにより、不要な特徴取得を防止するための入力の効率的な評価が可能になる。本稿では,信頼度に基づく拒否オプション付き逐次分類器を構築するための問題固有遺伝的アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-01T22:05:16Z)
Efficient Multiple Constraint Acquisition [1.3706331473063877]
QuAcqやMultiAcqのような制約獲得システムは、専門家でないユーザが自身の問題を制約ネットワークとしてモデル化するのを支援できる。本稿では,クエリ数を大幅に削減することで,制約獲得の性能を高める手法を提案する。そして、我々はクエリ生成に注意を向けます。
論文参考訳（メタデータ） (2021-09-13T12:42:16Z)
Multi-Objective Counterfactual Explanations [0.7349727826230864]
本稿では, 対物探索を多目的最適化問題に変換する多目的対物法 (MOC) を提案する。我々のアプローチは、提案する目的間のトレードオフの異なる多様な対策セットを返却するだけでなく、特徴空間における多様性も維持する。
論文参考訳（メタデータ） (2020-04-23T13:56:39Z)
Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。