論文の概要: Leveraging Association Rules for Better Predictions and Better Explanations

• arxiv url: http://arxiv.org/abs/2510.18628v1
• Date: Tue, 21 Oct 2025 13:32:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.624908
• Title: Leveraging Association Rules for Better Predictions and Better Explanations
• Title（参考訳）: より良い予測とより良い説明のためのアソシエーションルールの活用
• Authors: Gilles Audemard, Sylvie Coste-Marquis, Pierre Marquis, Mehdi Sabiri, Nicolas Szczepanski,
• Abstract要約: 我々は,データと知識を組み合わせた新しい分類手法を提案する。 このアプローチでは、データマイニングは関連ルールをデータから導き出すのに使用される。 これらのルールは、ツリーベースモデルの予測性能を高めるために利用されます。
• 参考スコア（独自算出の注目度）: 16.793960695255212
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a new approach to classification that combines data and knowledge. In this approach, data mining is used to derive association rules (possibly with negations) from data. Those rules are leveraged to increase the predictive performance of tree-based models (decision trees and random forests) used for a classification task. They are also used to improve the corresponding explanation task through the generation of abductive explanations that are more general than those derivable without taking such rules into account. Experiments show that for the two tree-based models under consideration, benefits can be offered by the approach in terms of predictive performance and in terms of explanation sizes.
• Abstract（参考訳）: 我々は,データと知識を組み合わせた新しい分類手法を提案する。 このアプローチでは、データマイニングは、データから関連ルール(おそらく否定を伴う)を導出するために使用される。 これらのルールは、分類タスクに使用される木に基づくモデル(決定木とランダム林)の予測性能を高めるために活用される。 また、そのようなルールを考慮に入れずに導出可能なものよりも一般的である帰納的説明を生成することによって、対応する説明課題を改善するためにも用いられる。 実験の結果,2つの木モデルが考慮されている場合,予測性能および説明サイズの観点から,アプローチによってメリットが提供されることがわかった。

関連論文リスト

• Explainable Clustering Beyond Worst-Case Guarantees [5.65604054654671]
  Moshkovitz, Dasgupta, Rashtchian, Frost (ICML 2020) による説明可能なクラスタリング問題について検討した。 説明可能なクラスタリングの目標は、軸に沿った決定木に$K$のリーフと最小のクラスタリングコスト(すべてのリーフがクラスタである)を適合させることだ。
  論文  参考訳（メタデータ） (2024-11-03T14:00:20Z)
• Extending Explainable Ensemble Trees (E2Tree) to regression contexts [1.5186937600119894]
  E2Treeは、ランダムな森林を説明するための新しい方法論である。 これは、応答に対する予測変数の影響を考慮に入れている。 また、計算と異種性尺度の使用を通じて、予測変数間の関連性も説明できる。
  論文  参考訳（メタデータ） (2024-09-10T11:42:55Z)
• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。 我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• Obtaining Explainable Classification Models using Distributionally Robust Optimization [12.511155426574563]
  特徴値規則の集合を用いて構築した一般化線形モデルについて検討する。 ルールセットの間隔と予測精度の間には、固有のトレードオフが存在する。 我々はこれらの競合する要因に同時に対処するルールセットの集合を学習するための新しい定式化を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:45:34Z)
• Learning with Explanation Constraints [91.23736536228485]
  我々は、説明がモデルの学習をどのように改善するかを分析するための学習理論フレームワークを提供する。 我々は,多数の合成および実世界の実験に対して,我々のアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T15:06:47Z)
• Conceptual Views on Tree Ensemble Classifiers [0.0]
  ランダムフォレストと関連するツリーベースの手法は、テーブルベースのデータから教師付き学習に人気がある。 並列化の容易さとは別に 分類性能も優れています この不利を補うために統計手法が用いられることが多いが、局所的な説明、特にグローバルな説明の能力は限られている。
  論文  参考訳（メタデータ） (2023-02-10T14:33:21Z)
• Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
  我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。 本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。 前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
  論文  参考訳（メタデータ） (2022-05-18T21:52:11Z)
• A cautionary tale on fitting decision trees to data from additive models: generalization lower bounds [9.546094657606178]
  本研究では,異なる回帰モデルに対する決定木の一般化性能について検討する。 これにより、アルゴリズムが新しいデータに一般化するために(あるいは作らない)仮定する帰納的バイアスが引き起こされる。 スパース加法モデルに適合する大規模な決定木アルゴリズムに対して、シャープな2乗誤差一般化を低い境界で証明する。
  論文  参考訳（メタデータ） (2021-10-18T21:22:40Z)

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。