Fugu-MT 論文翻訳(概要): Generating Causally Compliant Counterfactual Explanations using ASP

論文の概要: Generating Causally Compliant Counterfactual Explanations using ASP

arxiv url: http://arxiv.org/abs/2502.09226v1
Date: Thu, 13 Feb 2025 11:51:53 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-14 13:48:40.767363
Title: Generating Causally Compliant Counterfactual Explanations using ASP
Title（参考訳）: ASP.NET を用いた因果一貫性のある対実説明の生成
Authors: Sopam Dasgupta,
Abstract要約: CoGSアプローチは、肯定的な結果を表す反事実解を生成する。 CoGSは機能間の因果制約を尊重するパスを計算する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This research is focused on generating achievable counterfactual explanations. Given a negative outcome computed by a machine learning model or a decision system, the novel CoGS approach generates (i) a counterfactual solution that represents a positive outcome and (ii) a path that will take us from the negative outcome to the positive one, where each node in the path represents a change in an attribute (feature) value. CoGS computes paths that respect the causal constraints among features. Thus, the counterfactuals computed by CoGS are realistic. CoGS utilizes rule-based machine learning algorithms to model causal dependencies between features. The paper discusses the current status of the research and the preliminary results obtained.
Abstract（参考訳）: この研究は、達成可能な対実的な説明を生み出すことに焦点を当てている。機械学習モデルや意思決定システムによって計算された負の結果が与えられた場合、新しいCoGSアプローチが生成される。一肯定的な結果を表す反事実的解決策 (ii) 負の結果から正の結果へと導くパスで、パス内の各ノードは属性(機能)値の変化を表す。 CoGSは機能間の因果制約を尊重するパスを計算する。このように、CoGSによって計算される反事実は現実的である。 CoGSはルールベースの機械学習アルゴリズムを使用して、機能間の因果依存性をモデル化する。本稿は,研究の現状と得られた予備結果について論じる。

関連論文リスト

CoGS: Model Agnostic Causality Constrained Counterfactual Explanations using goal-directed ASP [1.5749416770494706]
CoGSはモデルに依存しないフレームワークであり、分類モデルの反実的な説明を生成することができる。 CoGSは、望ましい結果を達成するために必要な変更について、解釈可能かつ実行可能な説明を提供する。
論文参考訳（メタデータ） (2024-10-30T00:43:01Z)
Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。本手法は, 推定手法よりも有効であることを示す。
論文参考訳（メタデータ） (2024-08-26T08:39:09Z)
CoGS: Causality Constrained Counterfactual Explanations using goal-directed ASP [1.5749416770494706]
本稿では,ルールベース機械学習モデルから対物生成を行うCoGS(Counterfactual Generation with s(CASP))フレームワークを提案する。 CoGSは、それらの間の因果依存性を考慮した属性値に対する現実的かつ因果一貫性のある変更を計算します。望ましくない結果から、偽物を使用する望ましい結果への道を見つける。
論文参考訳（メタデータ） (2024-07-11T04:50:51Z)
Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文参考訳（メタデータ） (2023-10-17T08:04:45Z)
Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。モデルに基づくベイズ強化学習の観点から問題を考察する。本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
論文参考訳（メタデータ） (2023-08-12T14:59:19Z)
Generative Causal Representation Learning for Out-of-Distribution Motion Forecasting [13.99348653165494]
本稿では,分散シフト下での知識伝達を容易にするための生成因果学習表現を提案する。ヒトの軌道予測モデルにおいて提案手法の有効性を評価する一方、GCRLは他の領域にも適用可能である。
論文参考訳（メタデータ） (2023-02-17T00:30:44Z)
VCNet: A self-explaining model for realistic counterfactual generation [52.77024349608834]
事実的説明は、機械学習の決定を局所的に説明するための手法のクラスである。本稿では,予測器と対実生成器を組み合わせたモデルアーキテクチャであるVCNet-Variational Counter Netを提案する。我々はVCNetが予測を生成でき、また、別の最小化問題を解くことなく、反現実的な説明を生成できることを示した。
論文参考訳（メタデータ） (2022-12-21T08:45:32Z)
GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP, and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文参考訳（メタデータ） (2022-11-03T16:42:40Z)
Data-driven Numerical Invariant Synthesis with Automatic Generation of Attributes [0.0]
数値不変合成と検証のためのデータ駆動アルゴリズムを提案する。このアルゴリズムは、正および負の状態のサンプルから決定木を学習するためのICE-DTスキーマに基づいている。
論文参考訳（メタデータ） (2022-05-30T09:18:37Z)
Language Model-driven Negative Sampling [8.299192665823542]
知識グラフ埋め込み(KGE)は、究極の下流タスク(リンク予測、質問応答)の表現学習と推論を目的として、知識グラフ(KG)の実体と関係をベクトル空間に符号化する。 KGE はクローズドワールドの仮定に従い、KG の現在のすべての事実を正(正)であると仮定するので、既存の三重項の真性テストの学習過程において、負のサンプルを必要とする。そこで本稿では,KGsにおける既存のリッチテキスト知識を考慮したネガティブサンプリング手法を提案する。
論文参考訳（メタデータ） (2022-03-09T13:27:47Z)
An Evaluation Study of Generative Adversarial Networks for Collaborative Filtering [75.83628561622287]
本研究は、原論文で発表された結果の再現に成功し、CFGANフレームワークと原評価で使用されるモデルとの相違が与える影響について論じる。この研究は、CFGANと単純でよく知られた適切に最適化されたベースラインの選択を比較した実験的な分析をさらに拡張し、CFGANは高い計算コストにもかかわらず、それらに対して一貫して競合していないことを観察した。
論文参考訳（メタデータ） (2022-01-05T20:53:27Z)

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。