論文の概要: Dynamic Feature Selection based on Rule-based Learning for Explainable Classification with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2508.02566v1
• Date: Mon, 04 Aug 2025 16:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.42625
• Title: Dynamic Feature Selection based on Rule-based Learning for Explainable Classification with Uncertainty Quantification
• Title（参考訳）: 不確実性定量化を用いた説明可能な分類のためのルールベース学習に基づく動的特徴選択
• Authors: Javier Fumanal-Idocin, Raquel Fernandez-Peralta, Javier Andreu-Perez,
• Abstract要約: 動的特徴選択(DFS)は、従来の静的特徴選択に代わる魅力的な選択肢を提供する。 DFSはサンプル毎に機能選択をカスタマイズし、各ケースの意思決定プロセスに関する洞察を提供する。
• 参考スコア（独自算出の注目度）: 0.7874708385247353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic feature selection (DFS) offers a compelling alternative to traditional, static feature selection by adapting the selected features to each individual sample. Unlike classical methods that apply a uniform feature set, DFS customizes feature selection per sample, providing insight into the decision-making process for each case. DFS is especially significant in settings where decision transparency is key, i.e., clinical decisions; however, existing methods use opaque models, which hinder their applicability in real-life scenarios. This paper introduces a novel approach leveraging a rule-based system as a base classifier for the DFS process, which enhances decision interpretability compared to neural estimators. We also show how this method provides a quantitative measure of uncertainty for each feature query and can make the feature selection process computationally lighter by constraining the feature search space. We also discuss when greedy selection of conditional mutual information is equivalent to selecting features that minimize the difference with respect to the global model predictions. Finally, we demonstrate the competitive performance of our rule-based DFS approach against established and state-of-the-art greedy and RL methods, which are mostly considered opaque, compared to our explainable rule-based system.
• Abstract（参考訳）: 動的特徴選択(DFS)は、選択した特徴を個々のサンプルに適応させることで、従来の静的特徴選択に代わる魅力的な代替手段を提供する。 均一な機能セットを適用する古典的な方法とは異なり、DFSはサンプル毎に機能の選択をカスタマイズし、各ケースの意思決定プロセスに関する洞察を提供する。 DFSは、意思決定の透明性が鍵となる、すなわち臨床上の決定において特に重要であるが、既存の手法では不透明なモデルを使用しており、現実のシナリオでは適用が妨げられている。 本稿では,DFSプロセスの基底分類器としてルールベースシステムを活用する新しい手法を提案する。 また,本手法が各特徴量に対する不確かさを定量的に測定し,特徴量探索空間を制約することにより,特徴量選択処理をより軽量にすることができることを示す。 また、条件付き相互情報の欲求的選択が、グローバルモデル予測に対する差を最小限に抑える特徴の選択と等価である場合についても論じる。 最後に,ルールベースDFS手法の確立と最先端のグリード法とRL法との競合性能を,説明可能なルールベースシステムと比較し,概ね不透明であることを示す。

関連論文リスト

• Feature-Based vs. GAN-Based Learning from Demonstrations: When and Why [50.191655141020505]
  この調査は、デモから学ぶ機能ベースのアプローチとGANベースのアプローチの比較分析を提供する。 特徴に基づく手法とGANに基づく手法の2分法はますます曖昧になっていると我々は主張する。
  論文  参考訳（メタデータ） (2025-07-08T11:45:51Z)
• Flexible Selective Inference with Flow-based Transport Maps [7.197592390105458]
  本稿では,フローベース生成モデルからのツールを利用して,潜在的に複雑な条件分布を近似する手法を提案する。 本研究では、適応的に選択された仮説とパラメータに対して有効なp値と信頼セットを提供することにより、柔軟な選択的推論を可能にすることを実証する。
  論文  参考訳（メタデータ） (2025-06-01T20:05:20Z)
• Feature Selection for Latent Factor Models [2.07180164747172]
  特徴の選択は、高次元データセットで関連する特徴をピンポイントするのに不可欠である。 分類のための伝統的な特徴選択方法は、クラスごとに特徴を選択するためにすべてのクラスからデータを使用する。 本稿では,低ランク生成法に基づくクラスモデルを用いて,各クラスの特徴を個別に選択する特徴選択手法について検討する。
  論文  参考訳（メタデータ） (2024-12-13T13:20:10Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Greedy feature selection: Classifier-dependent feature selection via greedy methods [2.4374097382908477]
  本研究の目的は, グリージーな特徴選択に追随する特徴選択と呼ばれる, 分類タスクにおける特徴ランク付けのための新しいアプローチを導入することである。 このようなスキームの利点は、Vapnik-Chervonenkis(VC)次元やカーネルアライメントといったモデルキャパシティインジケータの観点から理論的に研究されている。
  論文  参考訳（メタデータ） (2024-03-08T08:12:05Z)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• Learning to Maximize Mutual Information for Dynamic Feature Selection [13.821253491768168]
  本稿では,現在利用可能な情報に基づいてモデルを逐次クエリする動的特徴選択(DFS)問題を考察する。 条件付き相互情報に基づいて,特徴を欲求的に選択する,よりシンプルなアプローチについて検討する。 提案手法は,最適性を訓練した際の欲求を回復し,既存の特徴選択法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-02T08:31:56Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• On the Adversarial Robustness of LASSO Based Feature Selection [72.54211869067979]
  検討されたモデルでは、悪意のある敵がデータセット全体を観察し、レスポンス値やフィーチャーマトリックスを慎重に修正する。 両レベルの最適化問題として、敵の修正戦略を定式化する。 合成および実データを用いた数値的な例は,本手法が効率的かつ効果的であることを示している。
  論文  参考訳（メタデータ） (2020-10-20T05:51:26Z)
• On-the-Fly Joint Feature Selection and Classification [16.84451472788859]
  本稿では,共同で特徴選択と分類を行うためのフレームワークを提案する。 我々は、関連する最適化問題の最適解を導出し、その構造を解析する。 提案アルゴリズムの性能を複数の公開データセット上で評価する。
  論文  参考訳（メタデータ） (2020-04-21T19:19:39Z)

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。