論文の概要: Quantifying Sensitivity for Tree Ensembles: A symbolic and compositional approach
- arxiv url: http://arxiv.org/abs/2605.13830v1
- Date: Wed, 13 May 2026 17:52:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:28.219188
- Title: Quantifying Sensitivity for Tree Ensembles: A symbolic and compositional approach
- Title（参考訳）: 木アンサンブルの感度の定量化--記号的・構成的アプローチ
- Authors: S. Akshay, Chaitanya Garg, Ashutosh Gupta, Kuldeep S. Meel, Ajinkya Naik,
- Abstract要約: 決定木アンサンブル(DTE)は、複数の安全クリティカルドメインで使用される幅広いAI分類タスクの一般的なモデルである。
そのような検証問題の1つは感度の問題であり、DTEが与えられた場合、機能のサブセットの小さな変更が入力の誤分類につながるかどうかを問うものである。
本稿では,認証エラーと信頼性境界内で効率よくこれを実現できる新しいアルゴリズム手法を提案する。
- 参考スコア（独自算出の注目度）: 25.226048852824064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decision tree ensembles (DTE) are a popular model for a wide range of AI classification tasks, used in multiple safety critical domains, and hence verifying properties on these models has been an active topic of study over the last decade. One such verification question is the problem of sensitivity, which asks, given a DTE, whether a small change in subset of features can lead to misclassification of the input. In this work, our focus is to build a quantitative notion of sensitivity, tailored to DTEs, by discretizing the input space of the model and enumerating the regions which are susceptible to sensitivity. We propose a novel algorithmic technique that can perform this computation efficiently, within a certified error and confidence bound. Our approach is based on encoding the problem as an algebraic decision diagram (ADD), and further splitting it into subproblems that can be solved efficiently and make the computation compositional and scalable. We evaluate the performance of our technique over benchmarks of varying size in terms of number of trees and depth, comparing it against the performance of model counters over the same problem encoding. Experimental results show that our tool XCount achieves significant speedup over other approaches and can scale well with the increasing sizes of the ensembles.
- Abstract（参考訳）: 決定木アンサンブル(DTE)は、幅広いAI分類タスクの一般的なモデルであり、複数の安全クリティカルドメインで使用される。
そのような検証問題の1つは感度の問題であり、DTEが与えられた場合、機能のサブセットの小さな変更が入力の誤分類につながるかどうかを問うものである。
本研究の目的は、モデルの入力空間を識別し、感度に敏感な領域を列挙することによって、DTEに合わせた定量的な感度の概念を構築することである。
本稿では,この計算を,認証エラーや信頼性境界内で効率的に行うことのできる,新しいアルゴリズム手法を提案する。
提案手法は,問題を代数的決定図(ADD)として符号化し,より効率的に解けるサブプロブレムに分割し,計算を構成的かつスケーラブルにする。
木数と深さの異なるベンチマークを用いて,本手法の性能を評価し,同じ問題におけるモデルカウンタの性能と比較した。
実験結果から,我々のツールであるXCountは,他の手法よりも大幅に高速化され,アンサンブルのサイズが大きくなるにつれて拡張可能であることが示された。
関連論文リスト
- An Enhanced Projection Pursuit Tree Classifier with Visual Methods for Assessing Algorithmic Improvements [0.3610948254980783]
視覚的診断手法を開発し,拡張が意図通りに機能することを確認する。
インタラクティブなWebアプリケーションにより、ユーザーは制御されたシナリオの下で、オリジナルと拡張された分類器の両方の振る舞いを探索できる。
論文 参考訳（メタデータ） (2026-02-24T17:27:17Z) - Variational Sparse Paired Autoencoders (vsPAIR) for Inverse Problems and Uncertainty Quantification [0.0]
逆問題は、ノイズ測定から隠れた、根底にある量を再構築しようとするときに生じる。
本研究では,不確実性推定とともに高速な推論を実現するために,可変スパースペア自動符号化器 (vsPAIR) を提案する。
論文 参考訳（メタデータ） (2026-02-03T00:46:29Z) - Towards Size-invariant Salient Object Detection: A Generic Evaluation and Optimization Approach [118.75896764188424]
本稿では,既存の広範に使用されているSalient Object Detectionメトリクスの固有サイズ感度を明らかにするために,新しい視点を示す。
この課題に対処するため、汎用的なサイズ不変評価(SIEva)フレームワークが提案されている。
さらに、サイズ不変の原理に固執する専用最適化フレームワーク(SIOpt)を開発し、幅広いサイズにわたる有能な物体の検出を大幅に強化する。
論文 参考訳（メタデータ） (2025-09-19T04:12:14Z) - SMAB: MAB based word Sensitivity Estimation Framework and its Applications in Adversarial Text Generation [10.111657705438654]
単語レベルの局所(文レベル)とグローバル(集約)の感性を計算するために,感性に基づく多言語帯域幅フレームワーク(SMAB)を導入する。
このアルゴリズムは直感的に高感度かつ低感度な単語をキャプチャする。
また,ゴールドデータがない場合,感度が精度の指標となることを示す。
論文 参考訳（メタデータ） (2025-02-10T22:46:57Z) - Assessing Systematic Weaknesses of DNNs using Counterfactuals [3.5849841840695835]
このような低いパフォーマンスの理由を、サブセットを記述する特定のセマンティックな特徴に当てはめるのは簡単ではない。
そこで本研究では,既存のサブセットのセマンティック属性を効果的かつ安価に検証するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-08-03T08:41:39Z) - Analyzing the Performance of Deep Encoder-Decoder Networks as Surrogates
for a Diffusion Equation [0.0]
本研究では,エンコーダ・デコーダ畳み込みニューラルネットワーク(CNN)を定常拡散解法の代用として利用することを検討した。
その結果,トレーニングセットのサイズが大きくなると,性能変動や全体的な誤差の低減に大きく影響することが示唆された。
論文 参考訳（メタデータ） (2023-02-07T22:53:19Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-12-17T23:21:53Z) - Discovering Representations for Black-box Optimization [73.59962178534361]
ブラックボックス最適化符号化は手作業で行うのではなく,自動的に学習可能であることを示す。
学習された表現は、標準的なMAP-Elitesよりも桁違いに少ない評価で高次元の問題を解くことができることを示す。
論文 参考訳（メタデータ） (2020-03-09T20:06:20Z)
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。