論文の概要: Leveraging Black-box Models to Assess Feature Importance in Unconditional Distribution
- arxiv url: http://arxiv.org/abs/2412.05759v1
- Date: Sat, 07 Dec 2024 23:00:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:56:52.079627
- Title: Leveraging Black-box Models to Assess Feature Importance in Unconditional Distribution
- Title（参考訳）: 非条件分布における特徴量評価のためのブラックボックスモデルの導入
- Authors: Jing Zhou, Chunlin Li,
- Abstract要約: 結果の非条件分布に関連する特徴重要度曲線を計算する近似法を開発した。
我々の近似法はスパースで忠実な結果を生成し,計算効率が高い。
- 参考スコア（独自算出の注目度）: 12.998592834144127
- License:
- Abstract: Understanding how changes in explanatory features affect the unconditional distribution of the outcome is important in many applications. However, existing black-box predictive models are not readily suited for analyzing such questions. In this work, we develop an approximation method to compute the feature importance curves relevant to the unconditional distribution of outcomes, while leveraging the power of pre-trained black-box predictive models. The feature importance curves measure the changes across quantiles of outcome distribution given an external impact of change in the explanatory features. Through extensive numerical experiments and real data examples, we demonstrate that our approximation method produces sparse and faithful results, and is computationally efficient.
- Abstract（参考訳）: 説明的特徴の変化が結果の不条件分布に与える影響を理解することは、多くのアプリケーションにおいて重要である。
しかし、既存のブラックボックス予測モデルはそのような問題を分析するのに適していない。
本研究では,事前学習したブラックボックス予測モデルのパワーを活用しながら,結果の非条件分布に関連する特徴重要度曲線を計算する近似法を開発した。
特徴重要曲線は、説明的特徴の変化の外部的影響を考慮し、結果分布の量子的変化を測定する。
数値実験や実データ例を通じて、我々の近似法はスパースで忠実な結果を生み出し、計算的に効率的であることを示す。
関連論文リスト
- Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。
しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。
これらの課題に対処するための影響関数フレームワークを開発する。
論文 参考訳（メタデータ） (2024-10-17T17:59:02Z) - Model-agnostic variable importance for predictive uncertainty: an entropy-based approach [1.912429179274357]
既存の説明可能性の手法が不確実性を考慮したモデルにどのように拡張できるかを示す。
我々は、不確実性の原因とモデル性能への影響の両方を理解するために、これらのアプローチの有用性を実証する。
論文 参考訳（メタデータ） (2023-10-19T15:51:23Z) - Invariant Probabilistic Prediction [45.90606906307022]
任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。
Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
論文 参考訳（メタデータ） (2023-09-18T18:50:24Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳（メタデータ） (2022-08-29T16:16:22Z) - Data Augmentation in the Underparameterized and Overparameterized
Regimes [7.326504492614808]
我々は,データの増大が推定値の分散と限定分布に与える影響を定量化する。
その結果、機械学習の実践において行われたいくつかの観察が確認できたが、予期せぬ発見につながった。
論文 参考訳（メタデータ） (2022-02-18T11:32:41Z) - Marginal Effects for Non-Linear Prediction Functions [0.7349727826230864]
我々は、前縁効果と呼ばれる新しい限界効果のクラスを導入する。
平均辺効果のような単一計量における非線形予測関数の特徴効果の要約に反対する。
論文 参考訳（メタデータ） (2022-01-21T18:47:38Z) - Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian
Nonparametrics [85.31247588089686]
変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。
ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
論文 参考訳（メタデータ） (2021-07-08T03:40:18Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳（メタデータ） (2021-07-07T15:50:18Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z)
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。