論文の概要: A Family of Divergence Measures for Evaluating the Reconstruction Quality of Explainable Ensemble Trees
- arxiv url: http://arxiv.org/abs/2605.19618v1
- Date: Tue, 19 May 2026 09:56:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.264677
- Title: A Family of Divergence Measures for Evaluating the Reconstruction Quality of Explainable Ensemble Trees
- Title（参考訳）: 説明可能なアンサンブル木の復元品質評価のための多様性対策の一家系
- Authors: Massimo Aria, Agostino Gnasso, Carmela Iorio,
- Abstract要約: 相関に基づくアプローチは、共起構造における系統的な不一致を検出するのに失敗する。
本稿では,合意・連想の区別に基づく統計的枠組みを提案する。
このフレームワークには、近似品質の異なる構造面をキャプチャする4つの補完的な尺度が含まれている。
- 参考スコア（独自算出の注目度）: 0.41292255339309664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Validating interpretable surrogate models for ensemble learners requires measuring agreement between the ensemble's internal representation and its surrogate approximation, rather than mere association. Correlation-based approaches are scale-invariant and fail to detect systematic discrepancies in co-occurrence structure. We propose a statistical framework grounded in the agreement-association distinction, centered on the normalized Loss of Interpretability (nLoI). Rooted in the Cressie-Read power divergence family with lambda equal to 2, the nLoI admits a closed-form decomposition into within-node and between-node components, providing a unique diagnostic capability to identify precisely where and why reconstruction fails. The framework incorporates four complementary measures capturing distinct structural facets of approximation quality. A unified permutation testing procedure delivers valid inference for all measures within a single resampling pass. Theoretical properties, including boundedness and symmetry, are established for each metric. Monte Carlo simulations and empirical evaluations confirm exact Type I error control and demonstrate that these measures detect reconstruction fidelity gradients invisible to correlation-based alternatives. The framework is developed and illustrated in the context of Explainable Ensemble Trees (E2Tree), and empirical evaluation on three benchmark datasets illustrates the practical utility of the framework.
- Abstract（参考訳）: アンサンブル学習者の解釈可能なサロゲートモデルを検証するには、単なる関連性ではなく、アンサンブルの内部表現とサロゲート近似との一致を測定する必要がある。
相関に基づくアプローチはスケール不変であり、共起構造における系統的な不一致を検出することができない。
本稿では,通常の解釈可能性の損失(nLoI)を中心に,合意・連想の区別に基づく統計的枠組みを提案する。
ラムダが2に等しいCressie-Readパワー分岐ファミリで回転されたnLoIは、ノード内およびノード間コンポーネントへのクローズドフォーム分解を認め、リビルドが失敗する場所と理由を正確に識別するユニークな診断機能を提供する。
このフレームワークには、近似品質の異なる構造面をキャプチャする4つの補完的な尺度が含まれている。
統一的な置換テスト手順は、単一の再サンプリングパス内のすべての測度に対して有効な推論を提供する。
有界性や対称性を含む理論的性質は、それぞれの計量に対して確立される。
モンテカルロシミュレーションと経験的評価により, 正確なI型誤差制御が確認され, 相関に基づく代替品には見えない再現忠実度勾配を検出することが実証された。
フレームワークは Explainable Ensemble Trees (E2Tree) の文脈で開発および図示され、3つのベンチマークデータセットに対する経験的評価は、フレームワークの実用性を示している。
関連論文リスト
- K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - Coordinates of Capability: A Unified MTMM-Geometric Framework for LLM Evaluation [2.464003792743989]
本稿では,Large Language Models (LLMs) 評価のための汎用多言語多手法(MTMM)フレームワークを提案する。
パラフレーズ不安定度,ドリフトスコア,オーバートン幅,プラナリズムスコアの9つの評価指標を定式化し,共有潜在座標空間内の幾何的測度として解釈する。
タスク非関連摂動を真の能力の範囲から体系的に分離することにより、このフレームワークは、堅牢で経験的に安定したベンチマーク設計のために理論的に基礎とドメインに依存しない分類を提供する。
論文 参考訳（メタデータ） (2026-05-08T22:05:19Z) - On the Structural Non-Preservation of Epistemic Behaviour under Policy Transformation [51.56484100374058]
このような情報条件の相互作用パターンを振る舞い依存として定式化する。
これにより、$$-behavioural equivalenceというプローブ相対的な概念と、政治内行動距離が導かれる。
その結果、共通政策変換の下でプローブ条件の挙動分離が保存されない構造条件が明らかになった。
論文 参考訳（メタデータ） (2026-02-24T22:55:21Z) - Unifying Information-Theoretic and Pair-Counting Clustering Similarity [51.660331450043806]
クラスタリング類似度尺度は通常、ペアカウントと情報理論の2つの主要なファミリーに分けられる。
本稿では,2つの相補的な観点から,これらの家族を統一する分析枠組みを開発する。
論文 参考訳（メタデータ） (2025-11-04T21:13:32Z) - Structured Basis Function Networks: Loss-Centric Multi-Hypothesis Ensembles with Controllable Diversity [46.60221265861393]
既存の予測の不確実性に対するアプローチは、多様性を促進するが原則化された集約を欠くマルチハイプセシス予測に依存している。
Structured Basis Function Networkはこのギャップに対処し、Bregmanの発散によって引き起こされる中心的な凝集を通して多仮説予測とエンハンブルをリンクする。
調整可能な多様性メカニズムは、バイアス-分散-多様性トレードオフのパラメトリック制御を提供し、多仮説一般化と損失認識アンサンブルアグリゲーションを接続する。
論文 参考訳（メタデータ） (2025-09-02T19:53:43Z) - Identifiable Convex-Concave Regression via Sub-gradient Regularised Least Squares [1.9580473532948397]
複雑な入力関係を凸成分と凹成分の和としてモデル化する新しい非パラメトリック回帰法を提案する。
The method-ICCNLS-decomposes sub-constrained shape-constrained additive decomposition。
論文 参考訳（メタデータ） (2025-06-22T15:53:12Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Simultaneous Identification of Sparse Structures and Communities in Heterogeneous Graphical Models [8.54401530955314]
基礎となるグラフィカルな構造を疎部分と低ランクの斜めブロックに分解する。
スパース構造とコミュニティの同定のための高速かつ効率的なアルゴリズムを用いた3段階推定手法を提案する。
論文 参考訳（メタデータ） (2024-05-16T06:38:28Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z)
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。