論文の概要: From Rashomon Theory to PRAXIS: Efficient Decision Tree Rashomon Sets

• arxiv url: http://arxiv.org/abs/2606.00202v1
• Date: Fri, 29 May 2026 17:26:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.155821
• Title: From Rashomon Theory to PRAXIS: Efficient Decision Tree Rashomon Sets
• Title（参考訳）: 羅生門説からPRAXIS:効率的な決定木羅生門集合
• Abstract要約: 『羅生門セット』は、不確実性に気付き、堅固な意思決定のための様々な課題や機会を生んでいる。 PRAXISは,実行時間とメモリ使用量を大幅に改善したRashomon集合を近似するアルゴリズムである。
• 参考スコア（独自算出の注目度）: 21.237849022123545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard machine learning pipelines often admit many near-optimal models. These "Rashomon sets" pose a range of challenges and opportunities for uncertainty-aware, robust decision making. They allow users to incorporate domain knowledge and preferences that would otherwise be difficult to specify directly in an objective, and they quantify diversity among valid models for a given training dataset and objective function. However, computation of Rashomon sets, even for simple, interpretable model classes such as sparse decision trees, continues to require immense memory and runtime resources. We present PRAXIS, an algorithm to approximate this Rashomon set with orders of magnitude improvement in runtime and memory usage. We validate that PRAXIS regularly recovers almost all of the full Rashomon set. PRAXIS allows researchers and practitioners to scalably model the Rashomon set for real-world datasets. Code for PRAXIS is available at https://github.com/zakk-h/PRAXIS
• Abstract（参考訳）: 標準的な機械学習パイプラインは、多くの準最適モデルを持つことが多い。 これらの「羅生門セット」は、不確実性に気付き、堅牢な意思決定に様々な課題と機会をもたらす。 特定のトレーニングデータセットと目的関数に対して有効なモデル間の多様性を定量化する。 しかし、スパース決定木のような単純で解釈可能なモデルクラスであっても、Rashomon集合の計算には膨大なメモリとランタイムリソースが必要である。 PRAXISは,このラショウモン集合を,実行時間とメモリ使用量を大幅に改善したアルゴリズムである。 我々は、PRAXISがラショウモン全体のほぼ全てを定期的に回復していることを検証する。 PRAXISは、研究者や実践者が現実世界のデータセットのためにRashomonセットを気軽にモデル化することを可能にする。 PRAXISのコードはhttps://github.com/zakk-h/PRAXISで公開されている。

関連論文リスト

• CASHomon Sets: Efficient Rashomon Sets Across Multiple Model Classes and their Hyperparameters [14.441777442115708]
  羅生門集合は1つのモデルクラス内のモデル集合であり、同じモデルクラスの参照モデルとほぼ同等に機能する。 暗黙の閾値を持つレベルセット推定のためのモデルベース能動学習アルゴリズムであるTruVaRImpを提案する。
  論文  参考訳（メタデータ） (2026-03-16T14:12:05Z)
• SORTeD Rashomon Sets of Sparse Decision Trees: Anytime Enumeration [4.567122178196833]
  SORTDはスケーラビリティを改善し、目的値の順にRashomonセットのツリーを列挙する新しいフレームワークである。 実験の結果,SORTDは技術状況と比較して,実行時間を最大2桁削減できることがわかった。
  論文  参考訳（メタデータ） (2025-11-05T10:25:08Z)
• Intention-Conditioned Flow Occupancy Models [80.42634994902858]
  大規模な事前学習は、今日の機械学習研究のやり方を根本的に変えた。 同じフレームワークを強化学習に適用することは、RLの中核的な課題に対処するための魅力的な方法を提供するので、魅力的です。 生成AIの最近の進歩は、高度に複雑な分布をモデリングするための新しいツールを提供している。
  論文  参考訳（メタデータ） (2025-06-10T15:27:46Z)
• MINIMA: Modality Invariant Image Matching [52.505282811925454]
  複数のクロスモーダルケースを対象とした統合画像マッチングフレームワークであるMINIMAを提案する。 生成モデルを用いて、安価だがリッチなRGBのみのマッチングデータからモダリティをスケールアップする。 MD-synでは、任意の高度なマッチングパイプラインをランダムに選択したモダリティペアで直接訓練して、クロスモーダル能力を得ることができる。
  論文  参考訳（メタデータ） (2024-12-27T02:39:50Z)
• Online Intrinsic Rewards for Decision Making Agents from Large Language Model Feedback [52.763620660061115]
  ONIは、RLポリシーと本質的な報酬関数を同時に学習する分散アーキテクチャである。 我々は、様々な複雑さを持つ報酬モデリングのためのアルゴリズムの選択範囲を探索する。 提案手法は,NetHack Learning Environment の様々な課題にまたがって,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-10-30T13:52:43Z)
• Learning Defect Prediction from Unrealistic Data [57.53586547895278]
  事前訓練されたコードのモデルは、コード理解と生成タスクに人気がある。 このようなモデルは大きい傾向があり、訓練データの総量を必要とする。 人工的に注入されたバグのある関数など、はるかに大きくてもより現実的なデータセットを持つモデルをトレーニングすることが一般的になった。 このようなデータで訓練されたモデルは、実際のプログラムでは性能が劣りながら、同様のデータでのみうまく機能する傾向にある。
  論文  参考訳（メタデータ） (2023-11-02T01:51:43Z)
• A Path to Simpler Models Starts With Noise [17.36067410506525]
  羅生門集合は、与えられたデータセット上でほぼ等しく機能するモデルの集合である。 オープンな疑問は、なぜラショモン比が大きくなるのかである。 よりノイズの多いデータセットは、実践者がモデルをトレーニングする方法を通じて、より大きなRashomon比につながることを示す。
  論文  参考訳（メタデータ） (2023-10-30T16:52:57Z)
• Exploring and Interacting with the Set of Good Sparse Generalized Additive Models [26.64299550434767]
  固定支持集合に対する楕円体を持つスパース・一般化加法モデルのラショーモン集合を近似するアルゴリズムを提案する。 近似された羅生門集合は、(1)モデルクラスにおける変数の重要性の研究、(2)ユーザ指定制約下でのモデル発見(単調性、直接編集)、(3)形状関数の急激な変化の調査など、実用上の課題を解決する基盤となる。
  論文  参考訳（メタデータ） (2023-03-28T15:25:46Z)
• Exploring the Whole Rashomon Set of Sparse Decision Trees [23.136590456299007]
  ラショーモン集合は、ほぼ最適モデル全体の成す集合であることを示す。 粗い決定木のための羅生門セットを完全に列挙する最初の手法を提供する。 これにより、ユーザーはモデル選択に対して前例のないレベルの制御を行うことができる。
  論文  参考訳（メタデータ） (2022-09-16T16:37:26Z)
• Partial Order in Chaos: Consensus on Feature Attributions in the Rashomon Set [50.67431815647126]
  ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。 この手法により局所的・言語的特徴の半順序が生じることを示す。 これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
  論文  参考訳（メタデータ） (2021-10-26T02:53:14Z)
• SSSE: Efficiently Erasing Samples from Trained Machine Learning Models [103.43466657962242]
  サンプル消去のための効率的かつ効率的なアルゴリズムSSSEを提案する。 ある場合、SSSEは、許可されたデータだけで新しいモデルをスクラッチからトレーニングする最適な、しかし実用的でない金の標準と同様に、サンプルをほぼ消去することができる。
  論文  参考訳（メタデータ） (2021-07-08T14:17:24Z)

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。