論文の概要: Bridging extrinsic and intrinsic variable importance

• arxiv url: http://arxiv.org/abs/2608.00247v1
• Date: Fri, 31 Jul 2026 19:42:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.563179
• Title: Bridging extrinsic and intrinsic variable importance
• Title（参考訳）: ブリッジング外在性および内在性変数の重要性
• Abstract要約: 固有変数の重要度推定法(以下、VIMPおよびミニパッチ・ワン・コ・アウト・プロシージャ(MPLOCO)と呼ぶ) VIMPとMPLOCOは,適合した学習者がデータ生成機構によく適合している場合に最もよく一致することを示す。 その結果、内在的・外在的重要性が類似し、相補的情報を提供する場合が明らかとなった。
• 参考スコア（独自算出の注目度）: 9.463248944590218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variable importance may describe either intrinsic predictive information in a population or extrinsic importance for a fitted prediction rule. Quantifying the uncertainty in variable importance estimates is critical for interpretation. Methods for estimating intrinsic variable importance (we will refer to these as VIMP) and the minipatch leave-one-covariate-out procedure (MPLOCO) target intrinsic and extrinsic importance, respectively, and provide methods for computing standard errors. These two approaches have a shared structure, comparing prediction performance with and without features, but the relationship between them has not been formally characterized. We establish conditions under which the two perspectives align. Under squared-error loss, if the fitted full and reduced learners converge to their oracle counterparts sufficiently fast, then MPLOCO is asymptotically equivalent to VIMP. We provide further conditions extending this result to general loss functions and formalize grouped MPLOCO for potentially overlapping feature groups. Through simulations, we show that VIMP and MPLOCO agree most closely when the fitted learner is well aligned with the data-generating mechanism. In a high-dimensional grouped simulation, both procedures identified the signal-containing groups. In an analysis of HIV-1 VRC01 neutralization sensitivity, both methods placed the same three biologically relevant feature groups among their highest-ranked groups. These results clarify when intrinsic and extrinsic importance can be interpreted similarly and when they provide complementary information.
• Abstract（参考訳）: 様々な重要性は、集団における本質的な予測情報や、適合した予測ルールに対する外生的な重要性を記述できる。 可変重要度推定の不確かさの定量化は、解釈に不可欠である。 固有変数の重要度を推定する手法(以下、VIMPと呼ぶ)と,本質的および外生的重要なMPLOCO(minipatch leave-one-covariate-out procedure)をそれぞれ推定し,標準誤差を計算する方法を提案する。 これら2つのアプローチは、予測性能と特徴の有無を比較した共有構造を持つが、それらの関係は公式には評価されていない。 2つの視点が一致した条件を確立する。 正方形のエラー損失の下では、完備した学習者が十分な速さでオラクルに収束した場合、MPLOCOはVIMPと漸近的に等価である。 我々は、この結果を一般的な損失関数にまで拡張し、潜在的に重複する特徴群に対してグループ化されたMPLOCOを定式化する。 シミュレーションにより,適応学習者がデータ生成機構に適合している場合,VIMPとMPLOCOが最もよく一致することを示す。 高次元グループシミュレーションでは、どちらも信号を含むグループを特定した。 HIV-1のVRC01中和感受性の分析では、どちらの方法も3つの生物学的に関連のある特徴群を上位群に配置した。 これらの結果は、内在的・外在的重要性が類似し、相補的情報を提供する場合にも明らかである。

関連論文リスト

• Complexity-Budgeted, Interaction-Aware Interpretable Model for Tabular Data [0.0]
  IAIML(Interference Aware Interpretable Machine Learning)を提案する。 IAIMLは適応的な機能単位の離散化、有限グリッド対相互作用スコアリング、分割された説明予算を使用する。 強いペアの相互作用構造と低限界信号を持つデータセットでは、IAIMLはすべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-07-08T06:38:34Z)
• 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)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• xplainfi: Feature Importance and Statistical Inference for Machine Learning in R [12.35431733807122]
  我々はmlr3エコシステム上に構築されたRパッケージであるxplainfiを紹介した。 xplainfiは、複数のシミュレーション設定と学習者タイプにまたがる既存の実装と一致した重要なスコアを生成する。
  論文  参考訳（メタデータ） (2026-03-16T14:04:48Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• How Much Data Is Enough? Uniform Convergence Bounds for Generative & Vision-Language Models under Low-Dimensional Structure [1.560394526607184]
  現代の生成的・視覚言語モデル(VLM)は、科学的・医学的な意思決定支援にますます利用されている。 適度なデータを持つ強い経験的結果にもかかわらず、そのような予測が入力、クラス、サブポピュレーションにわたって均一に一般化されるのかどうかは不明である。 我々は、この疑問を有限サンプルの観点から研究し、次のように問いかける: 構造的仮定の下で、VLMベースの予測器は、実用的なサンプルサイズで均一に正確で校正された振る舞いを達成できるのか?
  論文  参考訳（メタデータ） (2025-12-28T23:16:22Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Quantifying Semantic Emergence in Language Models [31.608080868988825]
  大規模言語モデル (LLM) は意味論的意味を捉える特別な能力として広く認識されている。 本研究では,入力トークンから意味を抽出するLLMの能力を測定するために,量的指標である情報創発(IE)を導入する。
  論文  参考訳（メタデータ） (2024-05-21T09:12:20Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Trade-off Between Dependence and Complexity for Nonparametric Learning -- an Empirical Process Approach [10.27974860479791]
  データが時間的依存を示す多くのアプリケーションでは、対応する経験的プロセスは理解されていない。 標準的な$beta/rho$-mixingの仮定の下では、経験過程の期待上限に一般化する。 長距離依存下であっても、i.d.設定と同じ速度で達成できることが示される。
  論文  参考訳（メタデータ） (2024-01-17T05:08:37Z)
• Variable Importance in High-Dimensional Settings Requires Grouping [19.095605415846187]
  Conditional Permutation Importance (CPI)は、そのような場合のPIの制限をバイパスする。 クラスタリングまたはいくつかの事前知識を介して統計的に変数をグループ化すると、ある程度のパワーバックが得られる。 重み付けにより拡張された手法は,高相関なグループであっても,型Iエラーを制御可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-18T00:21:47Z)
• Information decomposition in complex systems via machine learning [4.189643331553922]
  機械学習を用いて、各測定値の損失圧縮を共同最適化することにより、一連の測定値に含まれる情報を分解する。 我々は, 塑性変形を受ける回路とアモルファス材料という, 2つのパラダイム的複雑系に着目した解析を行った。
  論文  参考訳（メタデータ） (2023-07-10T17:57:32Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)

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。