論文の概要: Generating Global and Local Explanations for Tree-Ensemble Learning Methods by Answer Set Programming

• arxiv url: http://arxiv.org/abs/2410.11000v1
• Date: Mon, 14 Oct 2024 18:32:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:02:31.115065
• Title: Generating Global and Local Explanations for Tree-Ensemble Learning Methods by Answer Set Programming
• Title（参考訳）: 解集合プログラミングによる木組学習手法のグローバル・ローカル説明の生成
• Authors: Akihiro Takemura, Katsumi Inoue,
• Abstract要約: 本稿では,ツリーアンサンブル学習手法のグローバルおよびローカルな説明としてルールセットを生成する手法を提案する。 グローバルな説明のために、候補ルールは訓練されたツリーアンサンブルモデル全体から選択される。 局所的な説明では、候補ルールは特定の予測されたインスタンスに関連するルールのみを考慮して選択される。
• 参考スコア（独自算出の注目度）: 4.820391833117535
• License:
• Abstract: We propose a method for generating rule sets as global and local explanations for tree-ensemble learning methods using Answer Set Programming (ASP). To this end, we adopt a decompositional approach where the split structures of the base decision trees are exploited in the construction of rules, which in turn are assessed using pattern mining methods encoded in ASP to extract explanatory rules. For global explanations, candidate rules are chosen from the entire trained tree-ensemble models, whereas for local explanations, candidate rules are selected by only considering rules that are relevant to the particular predicted instance. We show how user-defined constraints and preferences can be represented declaratively in ASP to allow for transparent and flexible rule set generation, and how rules can be used as explanations to help the user better understand the models. Experimental evaluation with real-world datasets and popular tree-ensemble algorithms demonstrates that our approach is applicable to a wide range of classification tasks. Under consideration in Theory and Practice of Logic Programming (TPLP).
• Abstract（参考訳）: 本稿では,大域的および局所的な説明としてルールセットを生成する手法を提案する。 そこで我々は,基本決定木の分割構造をルール構築に活用する分解的手法を採用し,ASPで符号化されたパターンマイニング手法を用いて説明規則を抽出した。 グローバルな説明では、訓練されたツリーアンサンブルモデル全体から候補ルールが選択されるのに対し、局所的な説明では、候補ルールは特定の予測されたインスタンスに関連するルールのみを考慮して選択される。 ユーザ定義の制約と嗜好をASPで宣言的に表現し、透過的でフレキシブルなルールセット生成を可能にする方法と、ユーザがモデルをよりよく理解するための説明としてルールをどのように使用できるかを示します。 実世界のデータセットと一般的なツリーアンサンブルアルゴリズムを用いた実験により,本手法が幅広い分類タスクに適用可能であることを示す。 論理プログラミングの理論と実践(TPLP)

関連論文リスト

• Rule Extrapolation in Language Models: A Study of Compositional Generalization on OOD Prompts [14.76420070558434]
  ルール外挿は、プロンプトが少なくとも1つのルールに違反するOODシナリオを記述する。 規則の交わりによって定義される形式言語に焦点を当てる。 我々はアルゴリズム情報理論に先立ってソロモノフに触発された規則外挿の規範的理論の最初の石を配置した。
  論文  参考訳（メタデータ） (2024-09-09T22:36:35Z)
• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  大規模言語モデル(LLM)と決定木推論(OCTree)に基づく新しいフレームワークを提案する。 私たちのキーとなるアイデアは、LLMの推論機能を活用して、手動で検索スペースを指定せずに優れた特徴生成ルールを見つけることです。 実験の結果、この単純なフレームワークは様々な予測モデルの性能を一貫して向上させることが示された。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• Counterfactual Metarules for Local and Global Recourse [19.566362530518717]
  T-CRExは局所的および大域的対実的説明のためのモデルに依存しない手法である。 それは、個人とグループの両方のリコメンデーションオプションを、可読性のあるルールの形で要約する。
  論文  参考訳（メタデータ） (2024-05-29T08:35:17Z)
• Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
  大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。 しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。 本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-18T03:38:51Z)
• Generating Explainable Rule Sets from Tree-Ensemble Learning Methods by Answer Set Programming [9.221315229933532]
  本稿では, Answer Set Programming (ASP) を用いた木組学習者から説明可能なルールセットを生成する手法を提案する。 基本決定木の分割構造をルール構築に活用する分解的手法を採用する。 ユーザ定義の制約や好みをASPで宣言的に表現して、透過的で柔軟なルールセット生成を可能にする方法を示します。
  論文  参考訳（メタデータ） (2021-09-17T01:47:38Z)
• On the Foundations of Grounding in Answer Set Programming [4.389457090443418]
  We provide a comprehensive elaboration of the Theorys of variable instantiation or grounding, in Answer Set Programming (ASP)。 固定点演算子の観点から基底アルゴリズムの形式的特徴付けを導入する。 主要な役割は、関連するモデルがグラウンド化の結果を記述するための意味的なガイダンスを提供する、専門のしっかりとした演算子によって演じられる。
  論文  参考訳（メタデータ） (2021-08-10T16:23:49Z)
• Structural Learning of Probabilistic Sentential Decision Diagrams under Partial Closed-World Assumption [127.439030701253]
  確率感性決定図は構造化分解可能な回路のクラスである。 本稿では,回路の論理的基盤を暗黙的に提供する部分閉世界仮定に基づく新しいスキームを提案する。 予備実験では、提案手法がトレーニングデータに適切に適合し、基礎となる論理的基盤と整合性を維持した上で、テストデータによく適合することを示した。
  論文  参考訳（メタデータ） (2021-07-26T12:01:56Z)
• Rule Generation for Classification: Scalability, Interpretability, and Fairness [0.0]
  制約付き分類のためのルールベースの新しい最適化手法を提案する。 ルールにコスト係数を割り当て、追加制約を導入することにより、解釈可能性と公正性に対処する。 提案手法は,一方の局所的解釈可能性と他方の正当性,他方の精度との間に良好な妥協関係を示す。
  論文  参考訳（メタデータ） (2021-04-21T20:31:28Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• Parameterizing Branch-and-Bound Search Trees to Learn Branching Policies [76.83991682238666]
  Branch and Bound (B&B) は、Mixed-Integer Linear Programming Problem (MILP) の解法として一般的に用いられる木探索法である。 本稿では,新しい模倣学習フレームワークを提案し,分岐を表現するための新しい入力機能とアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-12T17:43:23Z)
• Hierarchical Variational Imitation Learning of Control Programs [131.7671843857375]
  パラメータ化された階層的手順(PHP)で表される制御ポリシーの模倣学習のための変分推論手法を提案する。 本手法は, 教師による実演の観察・行動トレースのデータセットにおける階層構造を, 手続き呼び出しや用語の待ち行列に近似した後続分布を学習することによって発見する。 階層的模倣学習(hierarchical mimicion learning)の文脈における変分推論の新たな利点を実証する。
  論文  参考訳（メタデータ） (2019-12-29T08:57:02Z)

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。