Fugu-MT 論文翻訳(概要): Interpretable Quantile Regression by Optimal Decision Trees

論文の概要: Interpretable Quantile Regression by Optimal Decision Trees

arxiv url: http://arxiv.org/abs/2604.21042v1
Date: Wed, 22 Apr 2026 19:40:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-24 14:40:06.155196
Title: Interpretable Quantile Regression by Optimal Decision Trees
Title（参考訳）: 最適決定木による解釈可能な量子回帰
Authors: Valentin Lemaire, Gaël Aglin, Siegfried Nijssen,
Abstract要約: 本稿では,最適な定量回帰木の集合を学習するための新しい手法を提案する。これは、この分布に関する事前の仮定なしに、対象変数の完全な条件分布に関する予測を提供する。単一の木を学習するよりもアルゴリズムの効率を損なうことなく、最適な量子レグレッションツリーの集合を学習する。
参考スコア（独自算出の注目度）: 1.2272975892517037
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The field of machine learning is subject to an increasing interest in models that are not only accurate but also interpretable and robust, thus allowing their end users to understand and trust AI systems. This paper presents a novel method for learning a set of optimal quantile regression trees. The advantages of this method are that (1) it provides predictions about the complete conditional distribution of a target variable without prior assumptions on this distribution; (2) it provides predictions that are interpretable; (3) it learns a set of optimal quantile regression trees without compromising algorithmic efficiency compared to learning a single tree.
Abstract（参考訳）: 機械学習の分野は、正確であるだけでなく、解釈可能で堅牢なモデルへの関心が高まっているため、エンドユーザーはAIシステムを理解し信頼することができる。本稿では,最適な定量回帰木の集合を学習するための新しい手法を提案する。本手法の利点は,(1)事前の仮定なしに対象変数の完全条件分布を予測すること,(2)解釈可能な予測を提供すること,(3)一本の木に比べてアルゴリズム効率を損なうことなく最適な定量回帰木の集合を学習することである。

関連論文リスト

ShapShift: Explaining Model Prediction Shifts with Subgroup Conditional Shapley Values [21.035730606359174]
入力分布の変化は、機械学習モデルの平均予測におけるシフトを誘導することができる。本稿では,データの解釈可能な部分群の条件付き確率変化に予測シフトをもたらすShapley値法を提案する。モデルクラス間での予測シフトについて、単純で忠実でほぼ完全に説明できることを示す。
論文参考訳（メタデータ） (2026-04-13T08:56:51Z)
Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
論文参考訳（メタデータ） (2025-05-21T07:16:44Z)
Efficient distributional regression trees learning algorithms for calibrated non-parametric probabilistic forecasts [1.0108345815812638]
回帰の文脈では、条件平均を推定する代わりに、出力の予測間隔を生成することでこれを実現できる。本稿では, WIS や CRPS の損失関数の確率回帰木を学習するための新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-02-07T18:39:35Z)
Inherently Interpretable Tree Ensemble Learning [7.868733904112288]
浅い決定木をベース学習として使用すると、アンサンブル学習アルゴリズムが本質的に解釈可能であることを示す。木アンサンブルを固有の解釈可能性を持つ機能的ANOVA表現に変換する解釈アルゴリズムを開発した。シミュレーションと実世界のデータセットを用いた実験により,提案手法はモデル解釈と予測性能のトレードオフを良くすることを示した。
論文参考訳（メタデータ） (2024-10-24T18:58:41Z)
Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers [68.76846801719095]
統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
論文参考訳（メタデータ） (2024-02-02T15:36:43Z)
Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文参考訳（メタデータ） (2023-01-23T18:59:28Z)
Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
論文参考訳（メタデータ） (2022-05-26T12:18:44Z)
Explaining random forest prediction through diverse rulesets [0.0]
Local Tree eXtractor (LTreeX)は、与えられたテストインスタンスのフォレスト予測を、いくつかの異なるルールで説明することができる。提案手法は予測性能の点で他の説明可能な手法よりも大幅に優れていることを示す。
論文参考訳（メタデータ） (2022-03-29T12:54:57Z)
Active-LATHE: An Active Learning Algorithm for Boosting the Error Exponent for Learning Homogeneous Ising Trees [75.93186954061943]
我々は、$rho$が少なくとも0.8$である場合に、エラー指数を少なくとも40%向上させるアルゴリズムを設計し、分析する。我々の分析は、グラフの一部により多くのデータを割り当てるために、微小だが検出可能なサンプルの統計的変動を巧みに活用することに基づいている。
論文参考訳（メタデータ） (2021-10-27T10:45:21Z)
Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文参考訳（メタデータ） (2021-06-03T08:32:13Z)

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。