論文の概要: Explaining Predictions by Characteristic Rules

• arxiv url: http://arxiv.org/abs/2405.21003v1
• Date: Fri, 31 May 2024 16:44:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 13:29:24.367839
• Title: Explaining Predictions by Characteristic Rules
• Title（参考訳）: 特性則による予測の解説
• Authors: Amr Alkhatib, Henrik Boström, Michalis Vazirgiannis,
• Abstract要約: 差別的ルールよりも解釈可能性を改善する能力について、特徴的なルールが提唱されている。 複数の説明を集約するために関連ルールマイニングを利用するCEGAと呼ばれる新しい説明手法が提案されている。 その結果, 特徴的説明規則は, 標準識別方式の規則と相反することが明らかとなった。
• 参考スコア（独自算出の注目度）: 19.994986568357515
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Characteristic rules have been advocated for their ability to improve interpretability over discriminative rules within the area of rule learning. However, the former type of rule has not yet been used by techniques for explaining predictions. A novel explanation technique, called CEGA (Characteristic Explanatory General Association rules), is proposed, which employs association rule mining to aggregate multiple explanations generated by any standard local explanation technique into a set of characteristic rules. An empirical investigation is presented, in which CEGA is compared to two state-of-the-art methods, Anchors and GLocalX, for producing local and aggregated explanations in the form of discriminative rules. The results suggest that the proposed approach provides a better trade-off between fidelity and complexity compared to the two state-of-the-art approaches; CEGA and Anchors significantly outperform GLocalX with respect to fidelity, while CEGA and GLocalX significantly outperform Anchors with respect to the number of generated rules. The effect of changing the format of the explanations of CEGA to discriminative rules and using LIME and SHAP as local explanation techniques instead of Anchors are also investigated. The results show that the characteristic explanatory rules still compete favorably with rules in the standard discriminative format. The results also indicate that using CEGA in combination with either SHAP or Anchors consistently leads to a higher fidelity compared to using LIME as the local explanation technique.
• Abstract（参考訳）: 特徴的ルールは、ルール学習の領域における差別的ルールよりも解釈可能性を向上させる能力のために提唱されている。 しかし、従来のルールは予測を説明する技術ではまだ使われていない。 CEGA(Characteristic Explanatory General Association Rule)と呼ばれる新しい説明法が提案され,標準的局所説明法によって生成された複数の説明を,関連ルールマイニングを用いて特徴ルールの集合に集約する。 CEGAを2つの最先端の手法であるAnchorsとGLocalXと比較し、局所的および集約的な説明を識別規則の形で生成する実験的検討を行った。 CEGAとAnchorsはGLocalXをはるかに上回り、CEGAとGLocalXは生成したルールの数でAnchorsを著しく上回ります。 また,CEGA の説明形式を識別規則に変更し,LIME と SHAP をアンカーの代わりに局所的説明手法として活用する方法について検討した。 その結果, 特徴的説明規則は, 標準識別方式の規則と相反することが明らかとなった。 また,CEGAをSHAPまたはAnchorと組み合わせることで,LIMEを局所的説明法として用いる場合と比較して,連続的に高い忠実度が得られることを示した。

関連論文リスト

• Differentiable Reasoning about Knowledge Graphs with Region-based Graph Neural Networks [62.93577376960498]
  知識グラフ(KG)の完成法は、意味的正則性を捕捉し、これらの正則性を用いて、明示的に記述されていない妥当な知識を推測する必要がある。 ほとんどの埋め込みベースの手法はキャプチャ可能な正規性には不透明であるが、領域ベースのKG埋め込みモデルはより透明な代替手段として現れている。 命令制約に基づくシンプルなモデルであるRESHUFFLEを提案し、既存のアプローチよりもはるかに大きなルールベースを忠実に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-13T18:37:24Z)
• GLIME: General, Stable and Local LIME Explanation [11.002828804775392]
  LIME(Local Interpretable Model-Agnostic Explanations)は、モデル行動を理解するために広く用いられる手法である。 GLIMEは、LIMEを拡張し、いくつかの先行メソッドを統合する拡張フレームワークである。 局所的および非バイアスなサンプリング分布を用いることで、GLIMEはLIMEと比較して局所的忠実度の高い説明を生成する。
  論文  参考訳（メタデータ） (2023-11-27T11:17:20Z)
• Controlled Generation with Prompt Insertion for Natural Language Explanations in Grammatical Error Correction [50.66922361766939]
  ユーザの修正理由の理解を確保することが不可欠である。 既存の研究では、修正の根拠となるトークン、例、ヒントが提示されているが、修正の理由を直接説明していない。 GEC修正のための説明を生成するには、入力トークンと出力トークンの整列、修正ポイントの識別、およびそれに対応する説明を一貫して提示することが含まれる。 本研究では,LLMが自然言語の修正の理由を説明するために,Prompt Insertion (PI) を用いた制御生成法を提案する。
  論文  参考訳（メタデータ） (2023-09-20T16:14:10Z)
• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• On Regularization and Inference with Label Constraints [62.60903248392479]
  機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。 正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。 制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
  論文  参考訳（メタデータ） (2023-07-08T03:39:22Z)
• Enhancing Adversarial Contrastive Learning via Adversarial Invariant Regularization [59.77647907277523]
  Adversarial contrastive learning (ACL)は、標準コントラスト学習(SCL)を強化する技術である。 本稿では,スタイル要因からの独立性を確保するために,逆不変正規化(AIR)を提案する。
  論文  参考訳（メタデータ） (2023-04-30T03:12:21Z)
• Effects of Locality and Rule Language on Explanations for Knowledge Graph Embeddings [0.0]
  本研究では,特定のルールと局所範囲が,埋め込み型リンク予測器の規則に基づく説明の質に及ぼす影響について検討する。 以上の結果から,より具体的なルールや局所的なスコープが説明の精度を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-02-14T10:50:36Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Local and Regional Counterfactual Rules: Summarized and Robust Recourses [5.524804393257921]
  本稿では,各観測の局所的反実律を緩やかに規定する確率的枠組みを提案する。 これらの規則は、様々な反事実的説明の要約として機能し、堅牢な論説をもたらす。 当社のメソッドはPythonパッケージとして利用可能です。
  論文  参考訳（メタデータ） (2022-09-29T06:08:54Z)
• Interpretable and Fair Boolean Rule Sets via Column Generation [18.08486863429421]
  整数プログラムは、規則単純性のために最適に分類精度を交換するように定式化される。 公平性の設定を考慮し、分類パリティの2つの異なる尺度に関する明示的な制約を含むように定式化を拡張した。 他の公正かつ解釈可能な分類器と比較して、我々の手法は、公正性のより厳密な概念に適合する規則セットを精度の低いトレードオフで見つけることができる。
  論文  参考訳（メタデータ） (2021-11-16T13:40:28Z)
• Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
  本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。 オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
  論文  参考訳（メタデータ） (2020-03-13T00:32:46Z)

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。