論文の概要: An Explainable Gaussian Process Auto-encoder for Tabular Data

• arxiv url: http://arxiv.org/abs/2509.00884v1
• Date: Sun, 31 Aug 2025 14:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.44693
• Title: An Explainable Gaussian Process Auto-encoder for Tabular Data
• Title（参考訳）: 語彙データのための説明可能なガウスプロセスオートエンコーダ
• Authors: Wei Zhang, Brian Barr, John Paisley,
• Abstract要約: 本稿では, ガウス法を用いて, 対実サンプルを生成するための自動エンコーダアーキテクチャを構築する手法を提案する。 結果として得られるモデルは、学習可能なパラメータを少なくするので、過度に適合する傾向が低い。 また,分布内サンプルの探索が可能な新しい密度推定器も導入した。
• 参考スコア（独自算出の注目度）: 6.360918504726019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainable machine learning has attracted much interest in the community where the stakes are high. Counterfactual explanations methods have become an important tool in explaining a black-box model. The recent advances have leveraged the power of generative models such as an autoencoder. In this paper, we propose a novel method using a Gaussian process to construct the auto-encoder architecture for generating counterfactual samples. The resulting model requires fewer learnable parameters and thus is less prone to overfitting. We also introduce a novel density estimator that allows for searching for in-distribution samples. Furthermore, we introduce an algorithm for selecting the optimal regularization rate on density estimator while searching for counterfactuals. We experiment with our method in several large-scale tabular datasets and compare with other auto-encoder-based methods. The results show that our method is capable of generating diversified and in-distribution counterfactual samples.
• Abstract（参考訳）: 説明可能な機械学習は、利害関係が高いコミュニティに多くの関心を集めている。 ブラックボックスモデルを説明する上では、非現実的な説明法が重要なツールとなっている。 近年の進歩は、オートエンコーダのような生成モデルのパワーを活用している。 本稿では,擬似サンプルを生成するための自動エンコーダアーキテクチャを構築するために,ガウス法を用いた新しい手法を提案する。 結果として得られるモデルは、学習可能なパラメータを少なくするので、過度に適合する傾向が低い。 また,分布内サンプルの探索が可能な新しい密度推定器も導入した。 さらに,デファクトを探索しながら,密度推定器の最適正則化率を選択するアルゴリズムを提案する。 本手法を複数の大規模表付きデータセットで実験し,他の自動エンコーダ方式との比較を行った。 以上の結果から,本手法は多変量および非分布の反事実サンプルを生成可能であることが示唆された。

関連論文リスト

• Efficient compression of neural networks and datasets [0.0]
  ニューラルネットワークのパラメータ数を著しく削減する手法を比較し,改善し,貢献する。 記述長を最小化するために本手法を適用すると、非常に効率的なデータ圧縮アルゴリズムが得られる。 正規化モデルがより標本効率のよい収束を示すことができるという予測を実証的に検証する。
  論文  参考訳（メタデータ） (2025-05-23T04:50:33Z)
• Distributional Diffusion Models with Scoring Rules [83.38210785728994]
  拡散モデルは高品質な合成データを生成する。 高品質な出力を生成するには、多くの離散化ステップが必要です。 クリーンデータサンプルの後部エム分布を学習し,サンプル生成を実現することを提案する。
  論文  参考訳（メタデータ） (2025-02-04T16:59:03Z)
• Learning Nonparametric High-Dimensional Generative Models: The Empirical-Beta-Copula Autoencoder [1.5714999163044752]
  自動エンコーダの潜伏空間を、サンプルが得られる分布でモデル化する必要がある。 本研究の目的は,潜伏空間を捕捉する様々な手法を議論し,評価し,比較することである。
  論文  参考訳（メタデータ） (2023-09-18T16:29:36Z)
• Bayesian Beta-Bernoulli Process Sparse Coding with Deep Neural Networks [11.937283219047984]
  深部離散潜在変数モデルに対して近似的推論法が提案されている。 このような深層モデルの離散潜在表現を学習するための非パラメトリック反復アルゴリズムを提案する。 提案手法は,異なる特徴を持つデータセット間で評価し,その結果を現在の補正近似推定法と比較する。
  論文  参考訳（メタデータ） (2023-03-14T20:50:12Z)
• Fully Bayesian Autoencoders with Latent Sparse Gaussian Processes [23.682509357305406]
  オートエンコーダとその変種は表現学習と生成モデリングにおいて最も広く使われているモデルの一つである。 ベイジアンオートエンコーダの潜在空間に完全スパースガウスプロセス先行を課す新しいスパースガウスプロセスベイジアンオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-02-09T09:57:51Z)
• Variational Sparse Coding with Learned Thresholding [6.737133300781134]
  サンプルをしきい値にすることでスパース分布を学習できる変分スパース符号化の新しい手法を提案する。 まず,線形発生器を訓練し,その性能,統計的効率,勾配推定に優れることを示す。
  論文  参考訳（メタデータ） (2022-05-07T14:49:50Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)
• Oops I Took A Gradient: Scalable Sampling for Discrete Distributions [53.3142984019796]
  このアプローチは、多くの困難な設定において、ジェネリックサンプリングよりも優れていることを示す。 また,高次元離散データを用いた深部エネルギーモデルトレーニングのための改良型サンプリング器についても実演した。
  論文  参考訳（メタデータ） (2021-02-08T20:08:50Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)

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。