論文の概要: BONES: a Benchmark fOr Neural Estimation of Shapley values

• arxiv url: http://arxiv.org/abs/2407.16482v1
• Date: Tue, 23 Jul 2024 13:53:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 17:06:21.162950
• Title: BONES: a Benchmark fOr Neural Estimation of Shapley values
• Title（参考訳）: BONES:シェープ値のベンチマークfOrニューラル推定
• Authors: Davide Napolitano, Luca Cagliero,
• Abstract要約: 本稿では、Shapley Valueのニューラルネットワーク推定に焦点を当てた新しいベンチマークであるBONESを紹介する。 BONESは研究者たちに、最先端のニューラルおよび従来の推定器のスイートを提供する。 目的は、XAIモデルの使用、評価、比較を単純化することである。
• 参考スコア（独自算出の注目度）: 7.243632426715939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shapley Values are concepts established for eXplainable AI. They are used to explain black-box predictive models by quantifying the features' contributions to the model's outcomes. Since computing the exact Shapley Values is known to be computationally intractable on real-world datasets, neural estimators have emerged as alternative, more scalable approaches to get approximated Shapley Values estimates. However, experiments with neural estimators are currently hard to replicate as algorithm implementations, explainer evaluators, and results visualizations are neither standardized nor promptly usable. To bridge this gap, we present BONES, a new benchmark focused on neural estimation of Shapley Value. It provides researchers with a suite of state-of-the-art neural and traditional estimators, a set of commonly used benchmark datasets, ad hoc modules for training black-box models, as well as specific functions to easily compute the most popular evaluation metrics and visualize results. The purpose is to simplify XAI model usage, evaluation, and comparison. In this paper, we showcase BONES results and visualizations for XAI model benchmarking on both tabular and image data. The open-source library is available at the following link: https://github.com/DavideNapolitano/BONES.
• Abstract（参考訳）: 共有価値(Shapley Values)は、eXplainable AIで確立された概念である。 それらは、モデルの結果に対する特徴の貢献を定量化することで、ブラックボックス予測モデルを説明するために使用される。 正確なShapley Valuesの計算は現実世界のデータセットで計算可能であることが知られているため、ニューラルネットワーク推定器は、近似されたShapley Values推定を得るために、代替的でスケーラブルなアプローチとして登場した。 しかし、現在神経推定器を用いた実験は、アルゴリズムの実装や説明器の評価器として再現することは困難であり、結果の可視化は標準化されておらず、すぐにも利用できない。 このギャップを埋めるために、我々は、Shapley Valueのニューラルネットワーク推定に焦点を当てた新しいベンチマークであるBONESを紹介する。 研究者には、最先端のニューラルネットワークと従来の推定器、一般的なベンチマークデータセットのセット、ブラックボックスモデルをトレーニングするためのアドホックモジュール、そして最も人気のある評価指標を計算し、結果を視覚化する特定の関数が提供されている。 目的は、XAIモデルの使用、評価、比較を単純化することである。 本稿では,表と画像データの両方に対して,XAIモデルベンチマークのBONES結果と可視化について述べる。 https://github.com/DavideNapolitano/BONES.com/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/ s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/ s/s/

関連論文リスト

• Provably Accurate Shapley Value Estimation via Leverage Score Sampling [12.201705893125775]
  本稿では,Kernel SHAP の軽量な修正である Leverage SHAP を紹介する。 提案手法は,強力な回帰ツールであるレバレッジスコアサンプリングを用いて,シェープ値の推定とアクティブラーニングの関連性を利用する。
  論文  参考訳（メタデータ） (2024-10-02T18:15:48Z)
• Towards a Scalable Reference-Free Evaluation of Generative Models [9.322073391374039]
  本稿では、VENDIとRKEのエントロピースコアを推定するためのカーネルエントロピー近似(FKEA)法を提案する。 我々は、FKEAの数値性能を、標準画像、テキスト、ビデオデータセットに適用して広範囲に評価する。 実験結果から,大規模生成モデルに適用する手法のスケーラビリティと解釈可能性を示す。
  論文  参考訳（メタデータ） (2024-07-03T09:54:58Z)
• Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
  冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。 既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。 実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
  論文  参考訳（メタデータ） (2023-11-02T06:09:24Z)
• SHAPNN: Shapley Value Regularized Tabular Neural Network [4.587122314291091]
  本稿では,教師あり学習のための新しい深層データモデリングアーキテクチャであるSHAPNNを紹介する。 我々のニューラルネットワークは、標準的な後方伝播最適化手法を用いて訓練され、リアルタイムに推定されたShapley値で正規化される。 我々は,これらの手法を公開データセット上で評価し,最先端のディープニューラルネットワークモデルと比較した。
  論文  参考訳（メタデータ） (2023-09-15T22:45:05Z)
• An Efficient Shapley Value Computation for the Naive Bayes Classifier [0.0]
  本稿では, 単純ベイズ分類器の場合のShapley値の正確な解析式を提案する。 以上の結果から,本提案はアルゴリズムの複雑さを低く抑えた有意な結果をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2023-07-31T14:39:10Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls and New Benchmarking [66.83273589348758]
  リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。 近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。 これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
  論文  参考訳（メタデータ） (2023-06-18T01:58:59Z)
• Efficient Shapley Values Estimation by Amortization for Text Classification [66.7725354593271]
  我々は,各入力特徴のシェープ値を直接予測し,追加のモデル評価を行なわずに補正モデルを開発する。 2つのテキスト分類データセットの実験結果から、アモルタイズされたモデルでは、Shapley Valuesを最大60倍のスピードアップで正確に見積もっている。
  論文  参考訳（メタデータ） (2023-05-31T16:19:13Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)

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。