論文の概要: Probabilistic Explanations for Linear Models

• arxiv url: http://arxiv.org/abs/2501.00154v1
• Date: Mon, 30 Dec 2024 21:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 20:43:26.552516
• Title: Probabilistic Explanations for Linear Models
• Title（参考訳）: 線形モデルの確率論的説明
• Authors: Bernardo Subercaseaux, Marcelo Arenas, Kuldeep S Meel,
• Abstract要約: フォーマルXAIは、機械学習モデルによる決定に対する数学的保証を備えた説明を提供することに重点を置いている。 簡単な緩和である$(delta, epsilon)$-SRが線形モデル上で効率的に計算可能であることを示す。
• 参考スコア（独自算出の注目度）: 35.437057227703846
• License:
• Abstract: Formal XAI is an emerging field that focuses on providing explanations with mathematical guarantees for the decisions made by machine learning models. A significant amount of work in this area is centered on the computation of "sufficient reasons". Given a model $M$ and an input instance $\vec{x}$, a sufficient reason for the decision $M(\vec{x})$ is a subset $S$ of the features of $\vec{x}$ such that for any instance $\vec{z}$ that has the same values as $\vec{x}$ for every feature in $S$, it holds that $M(\vec{x}) = M(\vec{z})$. Intuitively, this means that the features in $S$ are sufficient to fully justify the classification of $\vec{x}$ by $M$. For sufficient reasons to be useful in practice, they should be as small as possible, and a natural way to reduce the size of sufficient reasons is to consider a probabilistic relaxation; the probability of $M(\vec{x}) = M(\vec{z})$ must be at least some value $\delta \in (0,1]$, for a random instance $\vec{z}$ that coincides with $\vec{x}$ on the features in $S$. Computing small $\delta$-sufficient reasons ($\delta$-SRs) is known to be a theoretically hard problem; even over decision trees--traditionally deemed simple and interpretable models--strong inapproximability results make the efficient computation of small $\delta$-SRs unlikely. We propose the notion of $(\delta, \epsilon)$-SR, a simple relaxation of $\delta$-SRs, and show that this kind of explanation can be computed efficiently over linear models.
• Abstract（参考訳）: フォーマルXAIは、機械学習モデルによる決定に対する数学的保証を備えた説明を提供することに焦点を当てた、新興分野である。 この領域におけるかなりの量の作業は、"十分な理由"の計算に重点を置いている。 モデル$M$と入力インスタンス$\vec{x}$が与えられたとき、$M(\vec{x})$は$\vec{x}$の機能のサブセット$S$であり、任意のインスタンス$\vec{z}$は$S$のすべての機能に対して$\vec{x}$と同じ値を持つので、$M(\vec{x}) = M(\vec{z})$である。 直感的には、$S$の機能は$\vec{x}$の分類を$M$で完全に正当化するのに十分であることを意味する。 M(\vec{x}) = M(\vec{z})$ の確率は少なくともある値 $\delta \in (0,1]$ でなければならない。 小さな$\delta$-sufficient reasons (\delta$-SRs) を計算することは理論的に難しい問題として知られており、決定木(伝統的に単純かつ解釈可能なモデルとみなされる)でさえも、小さな$\delta$-SRの効率的な計算は不可能である。 我々は$(\delta, \epsilon)$-SRという概念を、$\delta$-SRの簡単な緩和として提案し、このような説明が線形モデルよりも効率的に計算可能であることを示す。

関連論文リスト

• Model-agnostic basis functions for the 2-point correlation function of dark matter in linear theory [0.0]
  幅広い種類の宇宙モデルにおいて、バリオン音響振動特性の近傍に$xi_rm lin(r)$を記述する基底 $mathcalB$ を求める。 モデルに依存しないBAO解析における基礎関数の使用は、統計的に有意な利益をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-10-28T18:00:01Z)
• Monge-Kantorovich Fitting With Sobolev Budgets [6.748324975906262]
  近似の性能をMonge-Kantorovich $p$-costで定量化する。 次に、ソボレフ予算の制約の下で、機能的$mathscrJ_p(f)$を最小化するものとして問題を再構築する。
  論文  参考訳（メタデータ） (2024-09-25T01:30:16Z)
• $\ell_p$-Regression in the Arbitrary Partition Model of Communication [59.89387020011663]
  コーディネータモデルにおける分散$ell_p$-regression問題のランダム化通信複雑性について考察する。 p = 2$、すなわち最小二乗回帰の場合、$tildeTheta(sd2 + sd/epsilon)$ bitsの最初の最適境界を与える。 p in (1,2)$ に対して、$tildeO(sd2/epsilon + sd/mathrmpoly(epsilon)$ upper bound を得る。
  論文  参考訳（メタデータ） (2023-07-11T08:51:53Z)
• Reward-Mixing MDPs with a Few Latent Contexts are Learnable [75.17357040707347]
  報酬混合マルコフ決定過程(RMMDP)におけるエピソード強化学習の検討 我々のゴールは、そのようなモデルにおける時間段階の累積報酬をほぼ最大化する、ほぼ最適に近いポリシーを学ぶことである。
  論文  参考訳（メタデータ） (2022-10-05T22:52:00Z)
• A spectral least-squares-type method for heavy-tailed corrupted regression with unknown covariance \& heterogeneous noise [2.019622939313173]
  重み付き最小二乗線形回帰は、少なくとも$epsilon n$ arbitrary outliersの$n$のラベル特徴サンプルを破損させたと仮定して再検討する。 本稿では,$(Sigma,Xi) や $Xi$ の演算ノルムに関する知識を前提に,電力法に基づくほぼ最適に計算可能な推定器を提案する。
  論文  参考訳（メタデータ） (2022-09-06T23:37:31Z)
• On Computing Probabilistic Explanations for Decision Trees [4.406418914680962]
  十分な理由は、決定木を$T$とインスタンスを$x$とすると、決定を$T(x)$とします。 本稿では,決定木に対する$delta$sufficient-reasonsの計算複雑性について検討する。 決定木の構造的制約を識別し,SATソルバがこれらの問題に実際にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-06-30T21:58:31Z)
• Simplest non-additive measures of quantum resources [77.34726150561087]
  我々は $cal E(rhootimes N) = E(e;N) ne Ne$ で説明できる測度について研究する。
  論文  参考訳（メタデータ） (2021-06-23T20:27:04Z)
• Learning a Latent Simplex in Input-Sparsity Time [58.30321592603066]
  我々は、$AinmathbbRdtimes n$へのアクセスを考えると、潜入$k$-vertex simplex $KsubsetmathbbRdtimes n$を学習する問題を考える。 実行時間における$k$への依存は、トップ$k$特異値の質量が$a$であるという自然な仮定から不要であることを示す。
  論文  参考訳（メタデータ） (2021-05-17T16:40:48Z)
• $Q$-learning with Logarithmic Regret [60.24952657636464]
  楽観的な$Q$は$mathcalOleft(fracSAcdot mathrmpolyleft(Hright)Delta_minlogleft(SATright)right)$ cumulative regret bound, where $S$ is the number of state, $A$ is the number of action, $H$ is the planning horizon, $T$ is the total number of steps, $Delta_min$ is the least sub-Optitimality gap。
  論文  参考訳（メタデータ） (2020-06-16T13:01:33Z)
• Model-Free Reinforcement Learning: from Clipped Pseudo-Regret to Sample Complexity [59.34067736545355]
  S$状態、$A$アクション、割引係数$gamma in (0,1)$、近似しきい値$epsilon > 0$の MDP が与えられた場合、$epsilon$-Optimal Policy を学ぶためのモデルなしアルゴリズムを提供する。 十分小さな$epsilon$の場合、サンプルの複雑さで改良されたアルゴリズムを示す。
  論文  参考訳（メタデータ） (2020-06-06T13:34:41Z)

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。