Fugu-MT 論文翻訳(概要): Trustworthy Feature Importance Avoids Unrestricted Permutations

論文の概要: Trustworthy Feature Importance Avoids Unrestricted Permutations

arxiv url: http://arxiv.org/abs/2604.11253v1
Date: Mon, 13 Apr 2026 10:03:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-14 20:13:16.464996
Title: Trustworthy Feature Importance Avoids Unrestricted Permutations
Title（参考訳）: 信頼できる特徴重要度 - 制限なしの命令を避ける
Authors: Emanuele Borgonovo, Francesco Cappelli, Xuefei Lu, Elmar Plischke, Cynthia Rudin,
Abstract要約: 制限のない置換を用いた特徴的重要度法は、外挿誤差により欠陥がある。条件付きモデル依存とガウス変換を用いたノックオフと制限されたALEプロット設計の3つの新しいアプローチを提案する。
参考スコア（独自算出の注目度）: 19.2626463521993
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Feature importance methods using unrestricted permutations are flawed due to extrapolation errors; such errors appear in all non-trivial variable importance approaches. We propose three new approaches: conditional model reliance and Knockoffs with Gaussian transformation, and restricted ALE plot designs. Theoretical and numerical results show our strategies reduce/eliminate extrapolation.
Abstract（参考訳）: 制限のない置換を用いた特徴的重要度法は、外挿誤差により欠陥があり、そのような誤りは、すべての非自明な変数重要度アプローチに現れる。条件付きモデル依存とガウス変換を用いたノックオフと制限されたALEプロット設計の3つの新しいアプローチを提案する。理論的および数値的な結果は、我々の戦略が外挿を減ら/減らしていることを示している。

関連論文リスト

Variation-Bounded Loss for Noise-Tolerant Learning [105.20373602308284]
本稿では,損失関数のロバスト性に関連する新しい特性として,変分比を導入する。本稿では,有界変動比を特徴とする,ロバストな損失関数である変分境界損失(VBL)を新たに提案する。
論文参考訳（メタデータ） (2025-11-15T10:15:29Z)
Dimension-free bounds in high-dimensional linear regression via error-in-operator approach [4.929399529593514]
ランダムな設計を伴う高次元線形回帰問題を考える。我々は,設計共分散を直接見積もるのではなく,経験的リスク最小化に組み込む,エラー・イン・オペレータと呼ばれる新しい手法を提案する。我々は過剰な予測リスクを拡大し、先行項と残りについて非漸近的次元自由境界を導出する。
論文参考訳（メタデータ） (2025-02-21T13:07:14Z)
EquiTabPFN: A Target-Permutation Equivariant Prior Fitted Networks [55.214444066134114]
我々は、同変エンコーダ、デコーダ、およびバイアテンション機構を介し、完全にターゲット同変のアーキテクチャに適応する置換不変性を設計する。標準分類ベンチマークの実証的評価は、事前学習中に見られたクラス数より多いデータセットでは、我々のモデルは計算オーバーヘッドを低く抑えながら既存の手法と一致または超えていることを示している。
論文参考訳（メタデータ） (2025-02-10T17:11:20Z)
Model-Based Uncertainty in Value Functions [89.31922008981735]
MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
論文参考訳（メタデータ） (2023-02-24T09:18:27Z)
From Pseudorandomness to Multi-Group Fairness and Back [14.824659349274787]
予測アルゴリズムの多群公正性に関する最近の文献と、漏洩抵抗性とグラフ正則性の擬似ランダム性の概念の関連を同定し、探索する。本研究は,統計的距離に基づく新しいマルチキャリブレーションの変種を用いて実施し,結果の不一致の概念に密接に関連している。
論文参考訳（メタデータ） (2023-01-21T00:37:12Z)
Vector-Valued Least-Squares Regression under Output Regularity Assumptions [73.99064151691597]
最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
論文参考訳（メタデータ） (2022-11-16T15:07:00Z)
Benefits of Permutation-Equivariance in Auction Mechanisms [90.42990121652956]
競売人の収益を最大化しつつ、競売人の過去の後悔を最小限にする競売メカニズムは、経済学において重要であるが複雑な問題である。ニューラルネットワークによる最適なオークションメカニズムの学習を通じて、注目すべき進歩が達成されている。
論文参考訳（メタデータ） (2022-10-11T16:13:25Z)
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)
Aleatoric uncertainty for Errors-in-Variables models in deep regression [0.48733623015338234]
Errors-in-Variablesの概念がベイズ的深部回帰においてどのように利用できるかを示す。様々なシミュレートされた実例に沿ったアプローチについて論じる。
論文参考訳（メタデータ） (2021-05-19T12:37:02Z)
Multivariate Deep Evidential Regression [77.34726150561087]
不確実性を認識するニューラルネットワークによる新しいアプローチは、従来の決定論的手法よりも有望である。本稿では,レグレッションベースニューラルネットワークからアレータ性およびてんかん性不確かさを抽出する手法を提案する。
論文参考訳（メタデータ） (2021-04-13T12:20:18Z)

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。