論文の概要: WISCA: A Consensus-Based Approach to Harmonizing Interpretability in Tabular Datasets

• arxiv url: http://arxiv.org/abs/2506.06455v1
• Date: Fri, 06 Jun 2025 18:26:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.280617
• Title: WISCA: A Consensus-Based Approach to Harmonizing Interpretability in Tabular Datasets
• Title（参考訳）: WISCA: 語彙データセットにおける解釈可能性の調和のための合意に基づくアプローチ
• Authors: Antonio Jesús Banegas-Luna, Horacio Pérez-Sánchez, Carlos Martínez-Cortés,
• Abstract要約: 機械学習(ML)モデルにおいて、解釈可能性は依然として不可欠である。 本研究では、6つのMLモデルを6つの合成データセットでトレーニングした。 WISCA(Weighted Scaled Consensus Attributions)は,コンセンサスを説明するために開発された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While predictive accuracy is often prioritized in machine learning (ML) models, interpretability remains essential in scientific and high-stakes domains. However, diverse interpretability algorithms frequently yield conflicting explanations, highlighting the need for consensus to harmonize results. In this study, six ML models were trained on six synthetic datasets with known ground truths, utilizing various model-agnostic interpretability techniques. Consensus explanations were generated using established methods and a novel approach: WISCA (Weighted Scaled Consensus Attributions), which integrates class probability and normalized attributions. WISCA consistently aligned with the most reliable individual method, underscoring the value of robust consensus strategies in improving explanation reliability.
• Abstract（参考訳）: 予測精度は機械学習(ML)モデルで優先されることが多いが、科学的・高精細な領域では解釈可能性が不可欠である。 しかし、多様な解釈可能性アルゴリズムはしばしば矛盾する説明をもたらし、結果を調和させるための合意の必要性を強調している。 本研究では、6つのMLモデルを6つの合成データセットで訓練し、様々なモデルに依存しない解釈可能性技術を利用した。 クラス確率と正規化属性を統合するWISCA(Weighted Scaled Consensus Attributions)という,確立された手法と新しいアプローチを用いて,コンセンサスの説明が作成された。 WISCAは最も信頼性の高い個別の手法と一貫して一致し、信頼性を向上させるための堅牢なコンセンサス戦略の価値を浮き彫りにした。

関連論文リスト

• Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
  一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。 オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。 このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
  論文  参考訳（メタデータ） (2024-11-04T16:12:37Z)
• Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
  本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• Ranking and Combining Latent Structured Predictive Scores without Labeled Data [2.5064967708371553]
  本稿では,新しい教師なしアンサンブル学習モデル(SUEL)を提案する。 連続的な予測スコアを持つ予測器のセット間の依存関係を利用して、ラベル付きデータなしで予測器をランク付けし、それらをアンサンブルされたスコアに重み付けする。 提案手法の有効性は、シミュレーション研究とリスク遺伝子発見の現実的応用の両方を通じて厳密に評価されている。
  論文  参考訳（メタデータ） (2024-08-14T20:14:42Z)
• Composite Survival Analysis: Learning with Auxiliary Aggregated Baselines and Survival Scores [0.0]
  Survival Analysis (SA) は時間対イベントモデリングのデフォルト手法である。 本研究は,SAモデルのトレーニングと推論を,(1)集団の全体行動を捉えた集合的ベースラインハザードに分解し,(2)個別に分布した生存スコア,(2)そのメンバーの慣用的確率的ダイナミクスを,完全にパラメトリックな設定でモデル化することで改善する方法を示す。
  論文  参考訳（メタデータ） (2023-12-10T11:13:22Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Learning Optimal Fair Classification Trees: Trade-offs Between Interpretability, Fairness, and Accuracy [7.215903549622416]
  最適分類木を学習するための混合整数最適化フレームワークを提案する。 我々は、一般的なデータセットの公平な分類のための最先端アプローチに対して、我々の手法をベンチマークする。 我々の手法は、ほぼ完全に一致した決定を一貫して見つけ出すが、他の手法は滅多にない。
  論文  参考訳（メタデータ） (2022-01-24T19:47:10Z)
• Partial Order in Chaos: Consensus on Feature Attributions in the Rashomon Set [50.67431815647126]
  ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。 この手法により局所的・言語的特徴の半順序が生じることを示す。 これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
  論文  参考訳（メタデータ） (2021-10-26T02:53:14Z)
• Ensemble Learning-Based Approach for Improving Generalization Capability of Machine Reading Comprehension Systems [0.7614628596146599]
  機械読み取り(MRC)は、近年、多くの開発が成功した自然言語処理の活発な分野である。 分布精度が高いにもかかわらず、これらのモデルには2つの問題がある。 本稿では,大規模モデルを再学習することなく,MCCシステムの一般化を改善するためのアンサンブル学習手法の効果について検討する。
  論文  参考訳（メタデータ） (2021-07-01T11:11:17Z)

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。