論文の概要: REALITrees: Rashomon Ensemble Active Learning for Interpretable Trees

• arxiv url: http://arxiv.org/abs/2603.22750v1
• Date: Tue, 24 Mar 2026 03:27:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.272752
• Title: REALITrees: Rashomon Ensemble Active Learning for Interpretable Trees
• Title（参考訳）: REALITREes: 解釈可能な木のためのRashomon Ensemble Active Learning
• Authors: Simon D. Nguyen, Hayden McTavish, Kentaro Hoffman, Cynthia Rudin, Tyler H. McCormick,
• Abstract要約: Rashomon Ensembled Active Learning (REAL) は、すべてのほぼ最適モデルのRashomon Setを徹底的に列挙して委員会を構成する。 雑音の多い環境下では,REALはランダム化アンサンブルよりも優れていた。
• 参考スコア（独自算出の注目度）: 21.32484182551777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active learning reduces labeling costs by selecting samples that maximize information gain. A dominant framework, Query-by-Committee (QBC), typically relies on perturbation-based diversity by inducing model disagreement through random feature subsetting or data blinding. While this approximates one notion of epistemic uncertainty, it sacrifices direct characterization of the plausible hypothesis space. We propose the complementary approach: Rashomon Ensembled Active Learning (REAL) which constructs a committee by exhaustively enumerating the Rashomon Set of all near-optimal models. To address functional redundancy within this set, we adopt a PAC-Bayesian framework using a Gibbs posterior to weight committee members by their empirical risk. Leveraging recent algorithmic advances, we exactly enumerate this set for the class of sparse decision trees. Across synthetic and established active learning baselines, REAL outperforms randomized ensembles, particularly in moderately noisy environments where it strategically leverages expanded model multiplicity to achieve faster convergence.
• Abstract（参考訳）: アクティブラーニングは、情報ゲインを最大化するサンプルを選択することでラベリングコストを削減する。 主要なフレームワークであるQuery-by-Committee(QBC)は、ランダムな特徴のサブセット化やデータブラインドによってモデルの不一致を誘導することによって、摂動に基づく多様性に依存している。 これは疫学的な不確実性の1つの概念に近似するが、もっともらしい仮説空間の直接的な特徴づけを犠牲にしている。 ほぼ最適モデルのラショウモン集合を包括的に列挙して委員会を構成するラショウモンアンサンブルアクティブラーニング(REAL)を提案する。 この集合内の機能的冗長性に対処するために、ギブスの後部から重み付け委員会メンバーを経験的リスクとして用いたPAC-ベイジアンフレームワークを採用する。 最近のアルゴリズムの進歩を活用して、この集合をスパース決定木のクラスに正確に列挙する。 合成学習ベースラインと確立された学習ベースライン全体で、REALはランダム化されたアンサンブル、特により速い収束を達成するために拡張されたモデル乗法を戦略的に活用する中途半端な環境において、より優れています。

関連論文リスト

• BROTHER: Behavioral Recognition Optimized Through Heterogeneous Ensemble Regularization for Ambivalence and Hesitancy [39.407739937584104]
  自然主義的なビデオ設定におけるA/H(Ambivalence and Hesitancy)は、感情コンピューティングにおいて重要な課題である。 ビデオレベルでのA/H予測のために,高度に正規化されたマルチモーダル融合パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-15T12:53:41Z)
• Group Contrastive Learning for Weakly Paired Multimodal Data [34.76498775412033]
  GROOVEは、高濃度摂動データに対する半教師付きマルチモーダル表現学習手法である。 GroupCLIPは、ペア化されたクロスモーダルデータのためのCLIPと、一様教師付きコントラスト学習のためのSupConのギャップを埋める、新しいグループレベルのコントラスト損失である。
  論文  参考訳（メタデータ） (2026-02-03T21:11:06Z)
• Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
  我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。 我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。 原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
  論文  参考訳（メタデータ） (2025-09-16T17:24:35Z)
• Context Attribution with Multi-Armed Bandit Optimization [11.715006981206844]
  本稿では,コンテキスト属性をCMAB(Multi-armed bandit)問題として定式化する新しいフレームワークを提案する。 我々は、限られたクエリ予算の下で、指数的に大きなコンテキストサブセットの空間を効率的に探索するために、 Combinatorial Thompson Sampling (CTS) を採用している。 本手法は,正規化トークンの確率に基づいて報酬関数を定義し,セグメントのサブセットが元のモデル応答をどれだけうまくサポートしているかを抽出する。
  論文  参考訳（メタデータ） (2025-06-24T19:47:27Z)
• Unique Rashomon Sets for Robust Active Learning [0.0]
  Unique Rashomon Ensembled Active Learning (UNREAL)を紹介する。 UNREALは、ほぼ最適なモデルの集合である羅生門集合からモデルを選択的にアンサンブルする。 我々はUNREALが従来のアクティブラーニング手法よりも高速な理論収束率を実現することを示す。
  論文  参考訳（メタデータ） (2025-03-09T20:50:34Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• Enhancing Neural Subset Selection: Integrating Background Information into Set Representations [53.15923939406772]
  対象値が入力集合とサブセットの両方に条件付けされている場合、スーパーセットのテクスティ不変な統計量を関心のサブセットに組み込むことが不可欠であることを示す。 これにより、出力値がサブセットとその対応するスーパーセットの置換に不変であることを保証する。
  論文  参考訳（メタデータ） (2024-02-05T16:09:35Z)
• Generative Slate Recommendation with Reinforcement Learning [49.75985313698214]
  強化学習アルゴリズムは、レコメンデータシステムのユーザエンゲージメントを最適化するために使用することができる。 しかし、RLアプローチはスレートレコメンデーションシナリオでは難解である。 この設定では、アクションはアイテムの組み合わせを含むことができるスレートに対応する。 本研究では,変分オートエンコーダによって学習された連続低次元ラテント空間におけるスレートの符号化を提案する。 我々は、(i)以前の作業で要求される仮定を緩和し、(ii)完全なスレートをモデル化することで、アクション選択の品質を向上させることができる。
  論文  参考訳（メタデータ） (2023-01-20T15:28:09Z)

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。