論文の概要: CORTEX: A Cost-Sensitive Rule and Tree Extraction Method

• arxiv url: http://arxiv.org/abs/2502.03200v1
• Date: Wed, 05 Feb 2025 14:20:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:28:29.917366
• Title: CORTEX: A Cost-Sensitive Rule and Tree Extraction Method
• Title（参考訳）: CORTEX:コスト感性ルールと木抽出法
• Authors: Marija Kopanja, Miloš Savić, Luca Longo,
• Abstract要約: ツリーベースおよびルールベース機械学習モデルは、説明可能な人工知能(XAI)において重要な役割を果たす これらの透明モデルは通常、ブラックボックスモデルの論理を説明するためのポストホックXAIアプローチであるサロゲートモデリングで使用される。 本研究では,新しいルールベースXAIアルゴリズムであるCORTEX法を提案する。
• 参考スコア（独自算出の注目度）: 1.1060425537315088
• License:
• Abstract: Tree-based and rule-based machine learning models play pivotal roles in explainable artificial intelligence (XAI) due to their unique ability to provide explanations in the form of tree or rule sets that are easily understandable and interpretable, making them essential for applications in which trust in model decisions is necessary. These transparent models are typically used in surrogate modeling, a post-hoc XAI approach for explaining the logic of black-box models, enabling users to comprehend and trust complex predictive systems while maintaining competitive performance. This study proposes the Cost-Sensitive Rule and Tree Extraction (CORTEX) method, a novel rule-based XAI algorithm grounded in the multi-class cost-sensitive decision tree (CSDT) method. The original version of the CSDT is extended to classification problems with more than two classes by inducing the concept of an n-dimensional class-dependent cost matrix. The performance of CORTEX as a rule-extractor XAI method is compared to other post-hoc tree and rule extraction methods across several datasets with different numbers of classes. Several quantitative evaluation metrics are employed to assess the explainability of generated rule sets. Our findings demonstrate that CORTEX is competitive with other tree-based methods and can be superior to other rule-based methods across different datasets. The extracted rule sets suggest the advantages of using the CORTEX method over other methods by producing smaller rule sets with shorter rules on average across datasets with a diverse number of classes. Overall, the results underscore the potential of CORTEX as a powerful XAI tool for scenarios that require the generation of clear, human-understandable rules while maintaining good predictive performance.
• Abstract（参考訳）: ツリーベースおよびルールベース機械学習モデルは、説明可能な人工知能(XAI)において、理解しやすく解釈しやすいツリーやルールセットの形で説明を提供するユニークな能力のために、重要な役割を担っている。 これらの透明なモデルは一般に、ブラックボックスモデルのロジックを説明するためのポストホックなXAIアプローチである代理モデリングで使用され、ユーザーは競争性能を維持しながら複雑な予測システムを理解・信頼することができる。 本研究では,CSDT法に基づく新しいルールベースXAIアルゴリズムであるCORTEX法を提案する。 CSDTの原版は、n次元のクラス依存コスト行列の概念を誘導することにより、2つ以上のクラスで分類問題に拡張される。 ルール抽出XAI手法としてのCORTEXの性能は、クラス数が異なる複数のデータセットにわたる他のポストホックツリーやルール抽出手法と比較する。 生成されたルールセットの説明可能性を評価するために、いくつかの定量的評価指標が使用される。 以上の結果から,CORTEXは他の木ベースの手法と競合し,異なるデータセットをまたいだルールベースの手法よりも優れていることが示唆された。 抽出されたルールセットは,クラスが多種多様であるデータセットの平均的なルールが短い小さなルールセットを生成することで,CORTEXメソッドを他のメソッドよりも活用する利点を示唆している。 全体としては、CORTEXは、優れた予測性能を維持しながら、明確で人間に理解可能なルールの生成を必要とするシナリオのための強力なXAIツールとしての可能性を強調している。

関連論文リスト

• Case-based Explainability for Random Forest: Prototypes, Critics, Counter-factuals and Semi-factuals [1.0485739694839669]
  説明可能なケースベース推論(XCBR)は、実例を参照してモデルの出力を解明する実践的なアプローチである。 XCBRは、最近までツリーベースモデルなど、多くのアルゴリズムであまり研究されていない。
  論文  参考訳（メタデータ） (2024-08-13T07:08:54Z)
• A Unified Approach to Extract Interpretable Rules from Tree Ensembles via Integer Programming [2.1408617023874443]
  ツリーアンサンブルは非常に人気のある機械学習モデルであり、教師付き分類と回帰タスクの有効性で知られている。 我々の研究は、訓練された木アンサンブルから最適化されたルールのリストを抽出することを目的としており、ユーザーは完全なモデルの予測力をほとんど保持する凝縮された解釈可能なモデルを提供する。 我々の広範な計算実験は,木アンサンブルに対する予測性能と忠実度の観点から,本手法が他のルール抽出法と競合することを示す統計的に有意な証拠を提供する。
  論文  参考訳（メタデータ） (2024-06-30T22:33:47Z)
• Enabling Regional Explainability by Automatic and Model-agnostic Rule Extraction [44.23023063715179]
  ルール抽出は、疾患の診断、疾患の進行予測、薬物発見などの分野に大きく貢献する可能性がある。 既存のメソッドは、全体のパフォーマンスを最大化するために、マイナークラスのルールのパフォーマンスを損なう。 本稿では,特定のサブグループからルールを抽出するモデルに依存しない手法を提案する。
  論文  参考訳（メタデータ） (2024-06-25T18:47:50Z)
• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。 我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• Obtaining Explainable Classification Models using Distributionally Robust Optimization [12.511155426574563]
  特徴値規則の集合を用いて構築した一般化線形モデルについて検討する。 ルールセットの間隔と予測精度の間には、固有のトレードオフが存在する。 我々はこれらの競合する要因に同時に対処するルールセットの集合を学習するための新しい定式化を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:45:34Z)
• Visual Exploration of Machine Learning Model Behavior with Hierarchical Surrogate Rule Sets [13.94542147252982]
  本稿では,ユーザ定義パラメータに基づく階層的ルールを生成するアルゴリズムである階層的サロゲートルール(HSR)を提案する。 我々はまた、HSRと対話型代理ルール可視化を統合した視覚分析(VA)システムであるSuREにも貢献する。 パラメータ感度,時間性能,および代理決定木との比較により,本アルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2022-01-19T17:03:35Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• Explainable Matrix -- Visualization for Global and Local Interpretability of Random Forest Classification Ensembles [78.6363825307044]
  本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。 単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。 ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
  論文  参考訳（メタデータ） (2020-05-08T21:03:48Z)

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。