論文の概要: Leo Breiman, the Rashomon Effect, and the Occam Dilemma

• arxiv url: http://arxiv.org/abs/2507.03884v1
• Date: Sat, 05 Jul 2025 03:54:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.919549
• Title: Leo Breiman, the Rashomon Effect, and the Occam Dilemma
• Title（参考訳）: レオ・ブレイマン、ラショモン効果、オッカム・ジレンマ
• Authors: Cynthia Rudin,
• Abstract要約: 有名なTwo Culturesの論文で、レオ・ブレイマン(Leo Breiman)は「データモデル」と「アルゴリズムモデル」の文化についての幻想的な視点を提供した。 私はこれらのアプローチを現代的な視点で見ることができます。
• 参考スコア（独自算出の注目度）: 22.32523634069206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the famous Two Cultures paper, Leo Breiman provided a visionary perspective on the cultures of ''data models'' (modeling with consideration of data generation) versus ''algorithmic models'' (vanilla machine learning models). I provide a modern perspective on these approaches. One of Breiman's key arguments against data models is the ''Rashomon Effect,'' which is the existence of many different-but-equally-good models. The Rashomon Effect implies that data modelers would not be able to determine which model generated the data. Conversely, one of his core advantages in favor of data models is simplicity, as he claimed there exists an ''Occam Dilemma,'' i.e., an accuracy-simplicity tradeoff. After 25 years of powerful computers, it has become clear that this claim is not generally true, in that algorithmic models do not need to be complex to be accurate; however, there are nuances that help explain Breiman's logic, specifically, that by ''simple,'' he appears to consider only linear models or unoptimized decision trees. Interestingly, the Rashomon Effect is a key tool in proving the nullification of the Occam Dilemma. To his credit though, Breiman did not have the benefit of modern computers, with which my observations are much easier to make. Breiman's goal for interpretability was somewhat intertwined with causality: simpler models can help reveal which variables have a causal relationship with the outcome. However, I argue that causality can be investigated without the use of single models, whether or not they are simple. Interpretability is useful in its own right, and I think Breiman knew that too. Technically, my modern perspective does not belong to either of Breiman's Two Cultures, but shares the goals of both of them - causality, simplicity, accuracy - and shows that these goals can be accomplished in other ways, without the limitations Breiman was concerned about.
• Abstract（参考訳）: 有名なTwo Culturesの論文で、Leo Breiman氏は、'データモデル'(データ生成を考慮したモデリング)と'algorithmicモデル'(バニラ機械学習モデル)の文化に関するビジョン的な視点を提供した。 私はこれらのアプローチを現代的な視点で見ることができます。 データモデルに対するブレイマンの重要な論点の1つは「羅生門効果」であり、これは多くの異なるが等しく良いモデルが存在することである。 Rashomonエフェクトは、データモデラーがデータを生成するモデルを決定することができないことを意味する。 逆に、データモデルを支持する主な利点の1つは単純さであり、彼は'Occam Dilemma'、すなわち正確さと単純さのトレードオフが存在すると主張した。 25年にわたる強力なコンピュータの後、この主張は一般に真実ではないことが明らかになってきており、アルゴリズムモデルが正確であるためには複雑である必要はないが、ブレイマンの論理を説明するのに役立つニュアンスがある。 興味深いことに、ラショモン効果はオッカム・ジレンマの無効化を証明する重要な道具である。 しかし、ブレイマンは現代のコンピュータの恩恵を受けておらず、私の観察はずっと簡単だった。 単純なモデルは、どの変数が結果と因果関係を持つかを明らかにするのに役立つ。 しかし、因果関係は単一モデルを用いることなく、単純かどうかを問うことができると私は論じる。 解釈性はそれ自体が有用で、Breimanもそれを知っていたと思います。 技術的には、私の現代の見解は、Breiman氏の2つの文化のどちらにも属さないが、両者の目標 – 因果性、単純性、正確性 – を共有している。

関連論文リスト

• "Patriarchy Hurts Men Too." Does Your Model Agree? A Discussion on Fairness Assumptions [3.706222947143855]
  グループフェアネスの文脈では、このアプローチはデータへのバイアスの導入方法に関する暗黙の仮定を曖昧にすることが多い。 我々は偏りの過程が公正スコアの単調関数であり、感度属性のみに依存すると仮定している。 偏見過程の振舞いは単なる単調性よりも複雑であり、つまり暗黙の仮定を特定し、否定する必要がある。
  論文  参考訳（メタデータ） (2024-08-01T07:06:30Z)
• Amazing Things Come From Having Many Good Models [15.832860655980918]
  羅生門効果は、同じデータセットに対して等しく良い予測モデルが存在するという現象を記述している。 このパースペクティブは、機械学習に対する考え方を変えることを提案する。 私たちのゴールは、Rashomon効果が社会の複雑な問題に対する機械学習の利用に大きな影響を与えるかを説明することです。
  論文  参考訳（メタデータ） (2024-07-05T20:14:36Z)
• Neural Pseudo-Label Optimism for the Bank Loan Problem [78.66533961716728]
  本研究では,Emphbank 融資問題に最もよく表される分類問題について検討する。 線形モデルの場合、この問題はモデル予測に直接最適化を加えることで解決できる。 Pseudo-Label Optimism (PLOT)は,この設定をディープニューラルネットワークに適用するための概念的かつ計算学的にシンプルな手法である。
  論文  参考訳（メタデータ） (2021-12-03T22:46:31Z)
• Revisiting Rashomon: A Comment on "The Two Cultures" [95.81740983484471]
  Breiman氏は「Rashomon Effect」と呼び、予測精度基準を等しく満たす多くのモデルが存在するが、情報を実質的に異なる方法で処理する状況について説明した。 この現象は、データに適合するモデルに基づいて結論を導き出すか、意思決定を自動化することを困難にします。 私は、この問題の意義を探求する機械学習文学における最近の研究と関係しています。
  論文  参考訳（メタデータ） (2021-04-05T20:51:58Z)
• Contrastive Explanations for Model Interpretability [77.92370750072831]
  分類モデルの対照的説明を生成する手法を提案する。 本手法は潜在空間へのモデル表現の投影に基づいている。 本研究は,モデル決定のより正確できめ細かな解釈性を提供するためのラベルコントラスト的説明の能力に光を当てた。
  論文  参考訳（メタデータ） (2021-03-02T00:36:45Z)
• Bridging Breiman's Brook: From Algorithmic Modeling to Statistical Learning [6.837936479339647]
  2001年、レオ・ブレイマンは「データモデリング」と「アルゴリズムモデリング」の文化の違いについて書いた。 20年後のこの区分は、個人をキャンプに割り当てること、知的境界の両面で、はるかに短命であると感じた。 これは主に、アルゴリズムメソッドをツールボックスに組み込んだ「データモデラー」によるものだと主張しています。
  論文  参考訳（メタデータ） (2021-02-23T03:38:41Z)
• Bayesian Inference Forgetting [82.6681466124663]
  忘れられる権利は多くの国で合法化されているが、機械学習の施行は耐え難いコストを引き起こすだろう。 本稿では,ベイズ推論において忘れられる権利を実現するための it bayesian inference forgetting (bif) フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-16T09:52:51Z)
• The Struggles of Feature-Based Explanations: Shapley Values vs. Minimal Sufficient Subsets [61.66584140190247]
  機能に基づく説明は、自明なモデルでも問題を引き起こすことを示す。 そこで本研究では,2つの一般的な説明書クラスであるシェープリー説明書と十分最小限の部分集合説明書が,基本的に異なる基底的説明書のタイプをターゲットにしていることを示す。
  論文  参考訳（メタデータ） (2020-09-23T09:45:23Z)
• Non-Boolean Hidden Variables model reproduces Quantum Mechanics' predictions for Bell's experiment [91.3755431537592]
  ベルの不等式に反することを目的とした理論は、ブール論理を諦めることから始めなければならない。 ハード」問題は、単一粒子が検出された時の時間値を予測することである。 「ソフト」の問題は、ベルの不平等が(非ブール的)地方リアリズムに違反していることを説明することである。
  論文  参考訳（メタデータ） (2020-05-20T21:46:35Z)

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。