論文の概要: S-SIRUS: an explainability algorithm for spatial regression Random Forest

• arxiv url: http://arxiv.org/abs/2408.05537v1
• Date: Sat, 10 Aug 2024 12:41:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 18:31:52.235926
• Title: S-SIRUS: an explainability algorithm for spatial regression Random Forest
• Title（参考訳）: S-SIRUS:空間回帰的ランダムフォレストのための説明可能性アルゴリズム
• Authors: Luca Patelli, Natalia Golini, Rosaria Ignaccolo, Michela Cameletti,
• Abstract要約: 本研究は,コンパクトで単純な規則リストを抽出することにより,空間依存データにおける回帰RFを説明することを目的とする。 S-SIRUSとS-SIRUSを比較検討し,S-SIRUSとS-SIRUSを比較検討した。 その結果,空間相関が存在する場合,S-SIRUSはSIRUSよりも高いテスト予測精度を示すことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Random Forest (RF) is a widely used machine learning algorithm known for its flexibility, user-friendliness, and high predictive performance across various domains. However, it is non-interpretable. This can limit its usefulness in applied sciences, where understanding the relationships between predictors and response variable is crucial from a decision-making perspective. In the literature, several methods have been proposed to explain RF, but none of them addresses the challenge of explaining RF in the context of spatially dependent data. Therefore, this work aims to explain regression RF in the case of spatially dependent data by extracting a compact and simple list of rules. In this respect, we propose S-SIRUS, a spatial extension of SIRUS, the latter being a well-established regression rule algorithm able to extract a stable and short list of rules from the classical regression RF algorithm. A simulation study was conducted to evaluate the explainability capability of the proposed S-SIRUS, in comparison to SIRUS, by considering different levels of spatial dependence among the data. The results suggest that S-SIRUS exhibits a higher test predictive accuracy than SIRUS when spatial correlation is present. Moreover, for higher levels of spatial correlation, S-SIRUS produces a shorter list of rules, easing the explanation of the mechanism behind the predictions.
• Abstract（参考訳）: ランダムフォレスト(Random Forest, RF)は、その柔軟性、ユーザフレンドリさ、およびさまざまな領域にわたる高い予測性能で広く使われている機械学習アルゴリズムである。 しかし、解釈不能である。 これは、予測器と応答変数の関係を理解することが意思決定の観点から不可欠である、応用科学における有用性を制限することができる。 文献では、RFを説明するいくつかの方法が提案されているが、これらは空間依存データの文脈でRFを説明するという課題に対処するものではない。 そこで本研究では,コンパクトで単純な規則リストを抽出することにより,空間依存データの場合の回帰RFを説明することを目的とする。 本稿では,SIRUS の空間拡張である S-SIRUS を提案する。S-SIRUS は古典回帰RF アルゴリズムから規則の安定かつ短いリストを抽出できるよく確立された回帰規則アルゴリズムである。 本研究では,S-SIRUSとS-SIRUSを比較検討し,S-SIRUSとS-SIRUSを比較検討した。 その結果,空間相関が存在する場合,S-SIRUSはSIRUSよりも高いテスト予測精度を示すことが示唆された。 さらに,S-SIRUSは,より高レベルの空間相関について,より短い規則リストを生成し,予測の背後にあるメカニズムの説明を緩和する。

関連論文リスト

• Optimal Kernel Quantile Learning with Random Features [0.9208007322096533]
  本稿では、ランダムな特徴を持つカーネル量子化回帰(KQR-RF)の一般化研究について述べる。 本研究は,KQR-RFの能力依存学習率を,RF数に対する軽度条件下で確立する。 我々の仮定を少し修正することによって、キャパシティに依存した誤差解析が、リプシッツ連続損失のケースにも適用できる。
  論文  参考訳（メタデータ） (2024-08-24T14:26:09Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Random forests for binary geospatial data [0.0]
  本研究では、非線形共変量効果を推定するためにランダムフォレストを用いたRF-GPと、空間ランダム効果をモデル化するためのガウス過程を提案する。 RF-GPは、シミュレーションデータと実世界のデータの両方において、推定と予測のための既存のRF法より優れている。 空間的Mat'ern GPや自己回帰過程のような一般的な選択を含む、$beta$-mixing二元過程の一般クラスに対するRF-GPの整合性を確立する。
  論文  参考訳（メタデータ） (2023-02-27T14:34:33Z)
• Simplex Random Features [53.97976744884616]
  ソフトマックスおよびガウスカーネルの非バイアス近似のための新しいランダム特徴(RF)機構であるSimplex Random Features (SimRFs)を提案する。 我々は,これらのカーネルの非バイアス推定値に対して,SimRFが最小平均二乗誤差(MSE)を提供することを示す。 ポイントワイドカーネル推定,非パラメトリック分類,スケーラブルトランスフォーマーなどの設定において,SimRFによる一貫したゲインを示す。
  論文  参考訳（メタデータ） (2023-01-31T18:53:39Z)
• Accelerated and interpretable oblique random survival forests [0.0]
  斜めランダムサバイバル・フォレスト (RSF) は, アンサンブルが監督する学習手法である。 本研究では,斜めRCFの計算効率を向上させる手法と,個々の予測変数の重要性を推定する手法を提案する。 斜めRCFの実装は、斜めRCFの既存のソフトウェアと比較して、同等の差別と優れたブライアスコアで約450倍高速である。
  論文  参考訳（メタデータ） (2022-08-01T20:21:09Z)
• A deep learning based surrogate model for stochastic simulators [0.0]
  シミュレータのための深層学習に基づく代理モデルを提案する。 我々は損失関数として条件付き最大平均誤差(CMMD)を利用する。 その結果,提案手法の優れた性能が得られた。
  論文  参考訳（メタデータ） (2021-10-24T11:38:47Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Random Forests for dependent data [1.5469452301122173]
  本稿では,RFの新たな拡張であるRF-GLSを提案する。 この拡張の鍵は、大域的OLS最適化として回帰木における局所的な決定の等価表現である。 RF-GLSによるRFの予測と予測の精度向上を実験的に実証した。
  論文  参考訳（メタデータ） (2020-07-30T12:36:09Z)
• Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
  量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。 上記のプロパティをすべて享受する既存のメソッドはありません。 本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。