Fugu-MT 論文翻訳(概要): A-PETE: Adaptive Prototype Explanations of Tree Ensembles

論文の概要: A-PETE: Adaptive Prototype Explanations of Tree Ensembles

arxiv url: http://arxiv.org/abs/2405.21036v1
Date: Fri, 31 May 2024 17:29:39 GMT
ステータス: 処理完了
システム内更新日: 2024-06-03 13:19:30.829589
Title: A-PETE: Adaptive Prototype Explanations of Tree Ensembles
Title（参考訳）: A-PETE:木アンサンブルの適応的プロトタイプ記述
Authors: Jacek Karolczak, Jerzy Stefanowski,
Abstract要約: 機械学習モデルの解釈の必要性は、ツリーアンサンブルのコンテキスト内でのプロトタイプ説明を通じて解決される。 A-PETE (Adaptive Prototype Explanations of Tree Ensembles) と呼ばれるアルゴリズムが提案され、これらの分類器のプロトタイプの選択を自動化する。
参考スコア（独自算出の注目度）: 2.693342141713236
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The need for interpreting machine learning models is addressed through prototype explanations within the context of tree ensembles. An algorithm named Adaptive Prototype Explanations of Tree Ensembles (A-PETE) is proposed to automatise the selection of prototypes for these classifiers. Its unique characteristics is using a specialised distance measure and a modified k-medoid approach. Experiments demonstrated its competitive predictive accuracy with respect to earlier explanation algorithms. It also provides a a sufficient number of prototypes for the purpose of interpreting the random forest classifier.
Abstract（参考訳）: 機械学習モデルの解釈の必要性は、ツリーアンサンブルのコンテキスト内でのプロトタイプ説明を通じて解決される。 A-PETE (Adaptive Prototype Explanations of Tree Ensembles) と呼ばれるアルゴリズムが提案され、これらの分類器のプロトタイプの選択を自動化する。その特異な特徴は、特殊距離測度とk-メドイドアプローチを使用することである。実験では、以前の説明アルゴリズムに関して、その競合予測精度を実証した。また、ランダムな森林分類器を解釈するために、十分な数のプロトタイプを提供する。

関連論文リスト

Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
論文参考訳（メタデータ） (2024-10-16T03:33:40Z)
A prototype-based model for set classification [2.0564549686015594]
ベクトルの集合を表す一般的な方法は、それらを線型部分空間としてモデル化することである。我々は、そのような線型部分空間、グラスマン多様体から形成される多様体について、プロトタイプベースの学習手法を提案する。
論文参考訳（メタデータ） (2024-08-25T04:29:18Z)
Rethinking Person Re-identification from a Projection-on-Prototypes Perspective [84.24742313520811]
検索タスクとしてのPerson Re-IDentification(Re-ID)は,過去10年間で大きな発展を遂げてきた。本稿では,新しいベースライン ProNet を提案する。 4つのベンチマークの実験では、提案したProNetは単純だが有効であり、以前のベースラインを大きく上回っている。
論文参考訳（メタデータ） (2023-08-21T13:38:10Z)
Grouping Shapley Value Feature Importances of Random Forests for explainable Yield Prediction [0.8543936047647136]
本稿では,特徴群に対して直接計算されたShapley値の概念を説明し,木構造上で効率的に計算するアルゴリズムを提案する。我々は、グローバルな理解のために多くのローカルな説明を組み合わせてSwarmプロットを設計するための青写真を提供する。
論文参考訳（メタデータ） (2023-04-14T13:03:33Z)
Unboxing Tree Ensembles for interpretability: a hierarchical visualization tool and a multivariate optimal re-built tree [0.34530027457862006]
我々は,木組モデルの解釈可能な表現を開発し,その振る舞いに関する貴重な洞察を提供する。提案モデルは,木組決定関数を近似した浅い解釈可能な木を得るのに有効である。
論文参考訳（メタデータ） (2023-02-15T10:43:31Z)
Learning to Select Prototypical Parts for Interpretable Sequential Data Modeling [7.376829794171344]
本稿では,原型概念の線形結合を用いた自己説明選択モデル(SESM)を提案する。より良い解釈可能性を得るために,多様性,安定性,局所性など,複数の制約をトレーニング対象として設計する。
論文参考訳（メタデータ） (2022-12-07T01:42:47Z)
APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation [56.387647750094466]
Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
論文参考訳（メタデータ） (2021-11-24T04:38:37Z)
Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。 A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
論文参考訳（メタデータ） (2021-10-26T17:39:18Z)
A Closer Look at Prototype Classifier for Few-shot Image Classification [28.821731837776593]
プロトタイプの分類器は微調整やメタラーニングを伴わずに等しく機能することを示す。本稿では, 特徴ベクトルのノルムの分散に着目し, 性能を向上できることを示す。
論文参考訳（メタデータ） (2021-10-11T08:28:43Z)
Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
論文参考訳（メタデータ） (2021-03-22T14:32:44Z)
Toward Scalable and Unified Example-based Explanation and Outlier Detection [128.23117182137418]
我々は,試行錯誤の予測に例ベースの説明を与えることのできる,プロトタイプベースの学生ネットワークのより広範な採用を論じる。類似カーネル以外のプロトタイプベースのネットワークは,分類精度を損なうことなく,有意義な説明と有望な外乱検出結果が得られることを示す。
論文参考訳（メタデータ） (2020-11-11T05:58:17Z)

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。