論文の概要: Effector: A Python package for regional explanations

• arxiv url: http://arxiv.org/abs/2404.02629v1
• Date: Wed, 3 Apr 2024 10:36:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 17:40:49.851324
• Title: Effector: A Python package for regional explanations
• Title（参考訳）: エフェクタ: 地域説明のためのPythonパッケージ
• Authors: Vasilis Gkolemis, Christos Diou, Eirini Ntoutsi, Theodore Dalamagas, Bernd Bischl, Julia Herbinger, Giuseppe Casalicchio,
• Abstract要約: エフェクターは、地域機能エフェクトに特化したPythonライブラリである。 高度に確立されたグローバルおよび地域効果の手法を実装している。 すべてのグローバルおよび地域的エフェクトメソッドは共通のAPIを共有している。
• 参考スコア（独自算出の注目度）: 15.866721881120252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global feature effect methods explain a model outputting one plot per feature. The plot shows the average effect of the feature on the output, like the effect of age on the annual income. However, average effects may be misleading when derived from local effects that are heterogeneous, i.e., they significantly deviate from the average. To decrease the heterogeneity, regional effects provide multiple plots per feature, each representing the average effect within a specific subspace. For interpretability, subspaces are defined as hyperrectangles defined by a chain of logical rules, like age's effect on annual income separately for males and females and different levels of professional experience. We introduce Effector, a Python library dedicated to regional feature effects. Effector implements well-established global effect methods, assesses the heterogeneity of each method and, based on that, provides regional effects. Effector automatically detects subspaces where regional effects have reduced heterogeneity. All global and regional effect methods share a common API, facilitating comparisons between them. Moreover, the library's interface is extensible so new methods can be easily added and benchmarked. The library has been thoroughly tested, ships with many tutorials (https://xai-effector.github.io/) and is available under an open-source license at PyPi (https://pypi.org/project/effector/) and Github (https://github.com/givasile/effector).
• Abstract（参考訳）: グローバルな特徴効果法は、1つの特徴に対して1つのプロットを出力するモデルを説明する。 このプロットは、年収に対する年齢の影響のように、その特徴の出力に対する平均的な影響を示している。 しかし、平均的な効果は、不均一な局所的な効果、すなわち平均から著しく逸脱した場合に誤解を招く可能性がある。 不均一性を減らすために、地域効果は特徴ごとに複数のプロットを提供し、それぞれが特定の部分空間内の平均効果を表す。 解釈可能性について、サブスペースは、男女別々に年収に及ぼす年齢の影響や、異なるレベルの専門的経験など、論理的な規則の連鎖によって定義される超長方形として定義される。 地域機能エフェクトに特化したPythonライブラリであるEffectorを紹介します。 エフェクターは、確立されたグローバルエフェクト手法を実装し、各手法の不均一性を評価し、それに基づいて地域効果を提供する。 エフェクターは、局所的な効果が不均一性を減少させる部分空間を自動的に検出する。 すべてのグローバルなエフェクトメソッドと地域的なエフェクトメソッドは共通のAPIを共有し、それらの比較を容易にする。 さらに、ライブラリのインターフェイスは拡張可能であるので、新しいメソッドを容易に追加し、ベンチマークすることができる。 ライブラリは徹底的にテストされ、多くのチュートリアル(https://xai-effector.github.io/)が提供され、PyPi (https://pypi.org/project/effector/)とGithub (https://github.com/givasile/effector)でオープンソースライセンスで提供されている。

関連論文リスト

• SemiPL: A Semi-supervised Method for Event Sound Source Localization [17.253937687487714]
  既存のモデルをより複雑なデータセットに適用し、モデルに対するパラメータの影響を調査し、半教師付き改善手法であるSemiPLを提案する。 SSPLは、提供された結果と比較して12.2%のcIoUと0.56%のAUCをChaotic Worldで達成した。
  論文  参考訳（メタデータ） (2024-04-30T15:13:57Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• RHALE: Robust and Heterogeneity-aware Accumulated Local Effects [8.868822699365616]
  累積局所効果(英: Accumulated Local Effects, ALE)は、ある特徴の出力に対する平均効果を分離するための広く使われている説明可能性法である。 これは、平均的な(グローバルな)効果からインスタンスレベル(局所的な)効果の偏りを定量化していない。 本稿ではこれらの制約に対処するため,Robust と Heterogeneity-aware ALE (RHALE) を提案する。
  論文  参考訳（メタデータ） (2023-09-20T10:27:41Z)
• Decomposing Global Feature Effects Based on Feature Interactions [10.874932625841257]
  グローバルエフェクトの一般化付加分解(GADGET)は特徴空間の解釈可能な領域を見つけるための新しいフレームワークである。 フレームワークの数学的基盤を提供し、限界特徴効果を可視化する最も一般的な手法に適用可能であることを示す。 提案手法の理論的特性を,異なる実験環境における様々な特徴効果法に基づいて実験的に評価した。
  論文  参考訳（メタデータ） (2023-06-01T10:51:12Z)
• Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
  A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。 オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。 異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
  論文  参考訳（メタデータ） (2022-10-15T17:15:51Z)
• DALE: Differential Accumulated Local Effects for efficient and accurate global explanations [3.3646058754940738]
  累積局所効果(英: Accumulated Local Effect, ALE)は、特徴効果を正確に推定する方法である。 本稿では,MLモデルが微分可能であれば,DALE(differial Accumulated Local Effects)を提案する。
  論文  参考訳（メタデータ） (2022-10-10T10:27:48Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。