論文の概要: Kernel Banzhaf: A Fast and Robust Estimator for Banzhaf Values

• arxiv url: http://arxiv.org/abs/2410.08336v2
• Date: Tue, 18 Feb 2025 04:11:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:04:12.214627
• Title: Kernel Banzhaf: A Fast and Robust Estimator for Banzhaf Values
• Title（参考訳）: Kernel Banzhaf: Banzhaf値の高速かつロバストな推定器
• Authors: Yurong Liu, R. Teal Witter, Flip Korn, Tarfah Alrashed, Dimitris Paparas, Christopher Musco, Juliana Freire,
• Abstract要約: 我々はBanzhaf値の回帰に基づく最初の推定器であるKernel Banzhafを紹介する。 Kernel Banzhaf はモンテカルロ法よりも精度, サンプル効率, ノイズ, 特徴ランクの回復率において優れていた。
• 参考スコア（独自算出の注目度）: 17.97990216632801
• License:
• Abstract: Banzhaf values provide a popular, interpretable alternative to the widely-used Shapley values for quantifying the importance of features in machine learning models. Like Shapley values, computing Banzhaf values exactly requires time exponential in the number of features, necessitating the use of efficient estimators. Existing estimators, however, are limited to Monte Carlo sampling methods. In this work, we introduce Kernel Banzhaf, the first regression-based estimator for Banzhaf values. Our approach leverages a novel regression formulation, whose exact solution corresponds to the exact Banzhaf values. Inspired by the success of Kernel SHAP for Shapley values, Kernel Banzhaf efficiently solves a sampled instance of this regression problem. Through empirical evaluations across eight datasets, we find that Kernel Banzhaf significantly outperforms existing Monte Carlo methods in terms of accuracy, sample efficiency, robustness to noise, and feature ranking recovery. Finally, we complement our experimental evaluation with strong theoretical guarantees on Kernel Banzhaf's performance.
• Abstract（参考訳）: Banzhaf値は、機械学習モデルにおける機能の重要性を定量化するために、広く使用されているShapley値に代わる、人気のある解釈可能な代替手段を提供する。 Shapleyの値と同様に、Banzhafの値を計算するには、効率的な推定器を使う必要がある。 しかし、既存の推定器はモンテカルロサンプリング法に限られている。 本稿では,Banzhaf値の回帰に基づく最初の推定器であるKernel Banzhafを紹介する。 我々のアプローチは、正確な解が正確なバンジャフ値に対応する新しい回帰定式化を利用する。 シェープ値に対するKernel SHAPの成功にインスパイアされたKernel Banzhafは、この回帰問題のサンプルインスタンスを効率的に解決する。 8つのデータセットにわたる実験的な評価により、Kernel Banzhaf はモンテカルロ法を精度、サンプル効率、ノイズに対する堅牢性、特徴ランク回復の点で著しく上回っていることがわかった。 最後に,Kernel Banzhaf の性能に関する理論的保証と実験評価を補完する。

関連論文リスト

• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• 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)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• 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)
• 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)
• Functional Ensemble Distillation [18.34081591772928]
  本研究では,効率的なモデルを用いて,アンサンブルの予測を最もよく蒸留する方法を検討する。 混合増量方式による簡易増量方式による蒸留モデルの学習により, 性能が著しく向上することが判明した。
  論文  参考訳（メタデータ） (2022-06-05T14:07:17Z)
• Data Banzhaf: A Robust Data Valuation Framework for Machine Learning [18.65808473565554]
  本稿では, 雑音モデルの性能スコアに対するデータ評価のロバスト性について検討する。 データ価値の概念の堅牢性を測定する安全マージンの概念を導入する。 また,Banzhaf値がすべての半値の中で最大の安全性マージンを達成していることを示す。
  論文  参考訳（メタデータ） (2022-05-30T23:44:09Z)
• Importance Weighting Approach in Kernel Bayes' Rule [43.221685127485735]
  本研究では,特徴量を用いたベイズ計算における非パラメトリック手法について検討する。 ベイズ更新に関わる全ての量は観測データから学習され、この手法は完全にモデル無しである。 提案手法は重要度重み付けに基づいており,既存のKBR手法よりも優れた数値安定性が得られる。
  論文  参考訳（メタデータ） (2022-02-05T03:06:59Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)

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。