論文の概要: Backward Compatibility in Tree-Based Explanations and Enhanced CART Algorithm

• arxiv url: http://arxiv.org/abs/2608.08674v1
• Date: Sun, 09 Aug 2026 12:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.912956
• Title: Backward Compatibility in Tree-Based Explanations and Enhanced CART Algorithm
• Title（参考訳）: 木に基づく説明と拡張CARTアルゴリズムにおける後方互換性
• Abstract要約: モデル更新による説明の変更は、ユーザにとって有害な結果をもたらす可能性がある。 本稿では,木に基づくeXplanations(BCLTX)における後方互換性損失について提案する。 BCLTXにおける決定木更新問題に対して,CARTを改良した軽量アルゴリズムであるCART-BCTXを,木ベースのeXplanations(CART-BCTX)の後方互換性で設計する。
• 参考スコア（独自算出の注目度）: 0.5381004207943597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the operation of machine learning models, model update is a fundamental process that requires careful consideration of its impact on downstream decision-making. Particularly when operating explainable models, changes in explanations resulting from model updates can lead to detrimental outcomes for users. Decision trees, due to their high transparency, are frequently employed in risk-sensitive decision-making and serve as a prominent example in which the aforementioned issue is evident. However, existing research addressing similar issues has focused on explanations based on feature contributions, and thus cannot handle explanations derived from tree structures. Therefore, this paper proposes the Backward Compatibility Loss in Tree-based eXplanations (BCLTX), a loss metric that suppresses changes in decision tree explanations before and after updates. Furthermore, we design CART with Backward Compatibility in Tree-based eXplanations (CART-BCTX), a lightweight algorithm that improves upon CART for the decision tree update problem under BCLTX. Experimental results using 10 real-world datasets, including both classification and regression tasks, show that CART-BCTX achieves favorable trade-offs between prediction performances and BCLTX values, with comparable computation times to CART, regardless of the task.
• Abstract（参考訳）: 機械学習モデルの運用において、モデル更新は、下流の意思決定への影響を慎重に考慮する必要がある基本的なプロセスである。 特に説明可能なモデルを操作する場合、モデル更新による説明の変更は、ユーザに有害な結果をもたらす可能性がある。 決定木は高い透明性のため、しばしばリスクに敏感な意思決定に使用され、上記の問題が明らかな顕著な例として機能する。 しかし, 同様の問題に対処する研究は, 特徴的貢献に基づく説明に重点を置いているため, 木構造からの説明は扱えない。 そこで本稿では, 木に基づくeXplanations (BCLTX) における後方互換性損失(backward Compatibility Loss in Tree-based eXplanations)を提案する。 さらに,木に基づくeXplanations(CART-BCTX)における後方互換性を持つCARTを設計する。 分類タスクと回帰タスクの両方を含む10の実世界のデータセットを用いた実験結果から、CART-BCTXは、タスクに関わらず、CARTに匹敵する計算時間で、予測性能とBCLTX値との良好なトレードオフを達成することが示された。

関連論文リスト

• CART-ELC: Oblique Decision Tree Induction via Exhaustive Search [0.0]
  斜めの分割を見つけるために徹底的な探索に依存する手法は、計算上の課題に直面している。 斜め決定木を誘導する新しいアルゴリズム, 分類・回帰木-排他線形結合(CART-ELC)を導入する。 以上の結果から,CART-ELCは小データセット上での競合性能を一貫して達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-05-08T16:42:13Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• Zero-Shot Decision Tree Construction via Large Language Models [2.005837558796176]
  本稿では,大言語モデル(LLM)を用いた決定木構築アルゴリズムについて,分類・回帰木(CART)の原理に基づくゼロショット方式で紹介する。 提案手法では, 属性の離散化, 確率計算, Giniインデックス計算など, 決定木構築に必要な演算を行う。
  論文  参考訳（メタデータ） (2025-01-27T17:48:48Z)
• Extracting PAC Decision Trees from Black Box Binary Classifiers: The Gender Bias Case Study on BERT-based Language Models [7.062238472483737]
  決定木は一般的な機械学習手法であり、その固有の説明可能性で知られている。 説明可能なAIでは、決定木は複雑なブラックボックスAIモデルのサロゲートモデルや、そのようなモデルの部品の近似として使用することができる。 本稿では,AIモデルから抽出した決定ツリーの忠実度を理論的に保証するために,確率的近似(PAC)フレームワークを用いて検討する。
  論文  参考訳（メタデータ） (2024-12-13T19:14:08Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。 我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
  対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。 UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。 UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
  論文  参考訳（メタデータ） (2024-02-26T20:09:44Z)
• A cautionary tale on fitting decision trees to data from additive models: generalization lower bounds [9.546094657606178]
  本研究では,異なる回帰モデルに対する決定木の一般化性能について検討する。 これにより、アルゴリズムが新しいデータに一般化するために(あるいは作らない)仮定する帰納的バイアスが引き起こされる。 スパース加法モデルに適合する大規模な決定木アルゴリズムに対して、シャープな2乗誤差一般化を低い境界で証明する。
  論文  参考訳（メタデータ） (2021-10-18T21:22:40Z)
• Causal Collaborative Filtering [50.22155187512759]
  Causal Collaborative Filteringは、協調フィルタリングとレコメンデーションにおける因果関係をモデル化するためのフレームワークである。 従来のCFアルゴリズムの多くは、単純化された因果グラフの下で、実際にCCFの特殊なケースであることを示す。 そこで我々は,$do$-operationに対する条件付き介入手法を提案する。
  論文  参考訳（メタデータ） (2021-02-03T04:16:11Z)
• Emergent and Unspecified Behaviors in Streaming Decision Trees [15.956780338760078]
  Hoeffding Treeは、データストリームの進化のための決定木学習における最先端の手法である。 本研究では、定常ストリームと非定常ストリームのストリーミング決定木アルゴリズムがなぜ機能するのかを詳述する。
  論文  参考訳（メタデータ） (2020-10-16T07:02:30Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)

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。