論文の概要: Circuit Representations of Random Forests with Applications to XAI

• arxiv url: http://arxiv.org/abs/2602.08362v1
• Date: Mon, 09 Feb 2026 07:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.117006
• Title: Circuit Representations of Random Forests with Applications to XAI
• Title（参考訳）: ランダム森林の回路表現とXAIへの応用
• Authors: Chunxi Ji, Adnan Darwiche,
• Abstract要約: 本稿では,ランダムな森林分類器を回路群にコンパイルする手法を提案する。 提案手法が既存の類似手法よりもはるかに効率的であることを実証的に示す。 決定の堅牢性を計算し、それをひっくり返すための最も短い方法を提案する。
• 参考スコア（独自算出の注目度）: 8.207403859762042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We make three contributions in this paper. First, we present an approach for compiling a random forest classifier into a set of circuits, where each circuit directly encodes the instances in some class of the classifier. We show empirically that our proposed approach is significantly more efficient than existing similar approaches. Next, we utilize this approach to further obtain circuits that are tractable for computing the complete and general reasons of a decision, which are instance abstractions that play a fundamental role in computing explanations. Finally, we propose algorithms for computing the robustness of a decision and all shortest ways to flip it. We illustrate the utility of our contributions by using them to enumerate all sufficient reasons, necessary reasons and contrastive explanations of decisions; to compute the robustness of decisions; and to identify all shortest ways to flip the decisions made by random forest classifiers learned from a wide range of datasets.
• Abstract（参考訳）: この論文には3つの貢献がある。 まず,ランダムな森林分類器を回路の集合にコンパイルする手法を提案する。 提案手法が既存の類似手法よりもはるかに効率的であることを実証的に示す。 次に、本手法を用いて、決定の完全かつ一般的な理由を計算可能な回路を得る。 最後に、決定の堅牢性を計算し、それをひっくり返すための最短の方法を提案する。 我々は、十分な理由、必要な理由、決定の対照的な説明を列挙し、決定の頑健さを計算し、様々なデータセットから学習したランダムな森林分類者による決定を覆すための最短の方法を特定することで、貢献の有効性を説明する。

関連論文リスト

• Formally Explaining Decision Tree Models with Answer Set Programming [4.263043028086137]
  本稿では,多種多様な説明,すなわち十分,対照的,多数,木固有の説明を生成する手法を提案する。 SATベースのアプローチと比較して、ASPベースの手法は、ユーザの好みをエンコードする際の柔軟性を向上し、可能なすべての説明の列挙をサポートする。
  論文  参考訳（メタデータ） (2026-01-07T12:07:45Z)
• RLAD: Training LLMs to Discover Abstractions for Solving Reasoning Problems [98.98963933669751]
  問題が発生したら、複数の抽象化を提案できるモデルをトレーニングし、続いてソリューション構築のインセンティブを与えるRLを作ります。 この結果、RLトレーニングパラダイムはRLADと呼ばれ、抽象化ジェネレータとソリューションジェネレータを共同で訓練する。 我々は、大規模なテスト予算で多くのソリューションを生成するよりも、より多くのテスト時間計算を抽象化の生成に割り当てることが、パフォーマンスに有益であることを示しています。
  論文  参考訳（メタデータ） (2025-10-02T17:44:23Z)
• Efficient Fairness-Performance Pareto Front Computation [45.088727439928704]
  最適公正表現はいくつかの有用な構造特性を持つことを示す。 そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
  論文  参考訳（メタデータ） (2024-09-26T08:46:48Z)
• Breiman meets Bellman: Non-Greedy Decision Trees with MDPs [8.530182510074983]
  我々は、欲求と最適なアプローチのギャップを埋めるフレームワークDPDT(Dynamic Programming Decision Trees)を提案する。 DPDTはマルコフ決定プロセスの定式化と分割生成を組み合わせ、ほぼ最適決定木を構築する。 実験の結果,DPDTは既存の最適解法よりも桁違いに少ない演算でほぼ最適損失を達成できた。
  論文  参考訳（メタデータ） (2023-09-22T08:18:08Z)
• Domain Generalization via Rationale Invariance [70.32415695574555]
  本稿では,未確認環境においてもロバストな結果の維持を伴う領域一般化の課題を緩和する新たな視点を提供する。 本稿では,最終結果に対する要素的貢献を決定の根拠として扱い,各試料の根拠を行列として表現することを提案する。 提案手法は, 単純性に拘わらず, 様々なデータセット間で競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-08-22T03:31:40Z)
• Simple is better: Making Decision Trees faster using random sampling [4.284674689172996]
  近年,ビッグデータ上での堅牢な機械学習モデル構築において,勾配向上決定木が普及している。 理論的および実験的に、ランダムに分割点を均一に選択することは、精度と計算効率の点で、同じあるいはさらに優れた性能を提供することを示す。
  論文  参考訳（メタデータ） (2021-08-19T17:00:21Z)
• Modularity in Reinforcement Learning via Algorithmic Independence in Credit Assignment [79.5678820246642]
  提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。 我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
  論文  参考訳（メタデータ） (2021-06-28T21:29:13Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)
• On The Reasons Behind Decisions [11.358487655918676]
  意思決定の背後にある十分な、必要な、完全な理由といった概念を定義します。 これらの概念は, 対実的ステートメントの評価にどのように用いられるかを示す。 これらの概念を計算するための効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-21T13:37:29Z)
• Learning with Differentiable Perturbed Optimizers [54.351317101356614]
  本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。 提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。 本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
  論文  参考訳（メタデータ） (2020-02-20T11:11:32Z)

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。