論文の概要: Learning Auditable Classifier Models: Source-Disjoint Tree Ensembles
- arxiv url: http://arxiv.org/abs/2608.15725v1
- Date: Sun, 16 Aug 2026 12:56:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.402621
- Title: Learning Auditable Classifier Models: Source-Disjoint Tree Ensembles
- Title（参考訳）: 可聴分類モデルの学習:ソース・ディスジョイント・ツリー・アンサンブル
- Abstract要約: 臨床および規制された設定における予測モデルは正確で、完全に監査可能である必要がある。
本稿では,3段階学習手法であるResidual Pattern Tree Ensemble(RPTE)を紹介する。
RPTEは、有界特徴予算(bounded feature budget)、ソースの不整合(source disjointness)、別個の係数推定という3つの重要な原則に基づいている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predictive models in clinical and regulated settings must be accurate and fully auditable. Tree ensembles deliver strong accuracy on tabular data, but their sequential boosting couples structure discovery with coefficient estimation, making compact per-prediction auditing difficult. Interpretable alternatives impose structural constraints that limit expressiveness: generalized additive models typically restrict interactions to pairwise terms and post-hoc rule extractors produce overlapping rules that hinder compact interpretation. We introduce Residual Pattern Tree Ensemble (RPTE), a three-stage learning approach, that is built on three key principles: bounded feature budget, source disjointness, and separate coefficient estimation. Stage~1 builds a supervised symbolic feature vocabulary. Stage~2 grows shallow trees under a source-disjointness constraint, where each raw variable is allocated to at most one tree, and retains only the discovered tree structures. Stage~3 solves a single $\ell_1$-regularized logistic regression over leaf-region indicators, yielding jointly optimal sparse coefficients. This learning approach ensures that every prediction decomposes into an algebraic sum of named, non-overlapping rule contributions, enabling full auditability by design. Empirical evaluation on twelve clinical-domain binary classification benchmarks using repeated stratified 5-fold cross-validation shows that RPTE performs competitively against tuned opaque ensembles and interpretable baselines. RPTE reduces model inspection units by 9$\times$ to 87$\times$ relative to XGBoost and maintains lower audit complexity than EBM on all 12 datasets. RuleFit requires comparable or fewer inspection units on three datasets where its rule count is small, but without source-disjointness guarantees. The source code is available at \href{https://github.com/srikumar2050/hugiml-core}{this https URL}.
- Abstract（参考訳）: 臨床および規制された設定における予測モデルは正確で、完全に監査可能である必要がある。
木アンサンブルは表形式のデータに対して高い精度を提供するが、その逐次的に増大するカップルは構造発見を係数推定で行うため、予測監査のコンパクト化は困難である。
一般化された加法モデルは通常、相互作用を対の項に制限し、ポストホック規則抽出器は、コンパクトな解釈を妨げる重なり合う規則を生成する。
本稿では3段階の学習手法であるResidual Pattern Tree Ensemble(RPTE)を紹介する。
Stage~1は、教師付き象徴的特徴語彙を構築する。
Stage~2はソース不整合制約の下で浅い木を成長させ、各生の変数は少なくとも1つの木に割り当てられ、発見された木構造のみを保持する。
Stage~3 は葉領域の指標よりも 1 つの $\ell_1$-regularized logistic regression を解き、共同最適スパース係数をもたらす。
この学習アプローチは、全ての予測が名前付き非重複ルールの代数的な総和に分解されることを保証し、設計による完全な監査性を実現する。
重層化5次元クロスバリデーションを用いた12種類の臨床領域のバイナリ分類ベンチマークの実証評価により,RPTEは不透明なアンサンブルや解釈可能なベースラインに対して競争的に機能することが示された。
RPTEはXGBoostと比較してモデル検査ユニットを9$\times$から87$\times$に減らし、12データセットのESMよりも低い監査複雑性を維持している。
RuleFitは、ルールカウントが小さいがソースの不整合性の保証がない3つのデータセットに対して、同等または少ないインスペクションユニットを必要とする。
ソースコードは \href{https://github.com/srikumar2050/hugiml-core}{this https URL} で公開されている。
関連論文リスト
- Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳（メタデータ） (2026-07-07T10:10:00Z) - Significance-First Splitting: Aligning Treatment Heterogeneity Detection with Honest Estimation [0.0]
不均一処理効果(CATE)を推定するには、同時に効果の修正を検出し、推定の不確実性を定量化する必要がある。
意味に基づくアプローチは、グループ間の相互作用を直接識別するが、妥当な推論を欠いている。
本稿では,真正なサンプル分割とクロスバリデーションで意味に基づく分割を融合するハイブリッドアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-07-04T19:50:35Z) - C$^{2}$R: Cross-sample Consistency Regularization Mitigates Feature Splitting and Absorption in Sparse Autoencoders [56.67585330425431]
スパースオートエンコーダ(SAE)は、アクティベーションをスパースで人間の理解可能な機能に分解することで、大きな言語モデルを解釈するために広く使われている。
これらの問題は、サンプル間の一貫性のない潜在的な割り当てに起因している。
我々はC$2$Rを導入し、これは方向的に類似した潜伏剤の共活性化を罰する。
論文 参考訳（メタデータ） (2026-06-29T17:45:31Z) - Beyond Triplet Plausibility: Relation Set Completion in Knowledge Graphs [48.16012222834734]
関係集合完了タスク(RSC)と関係集合埋め込みモデル(RelSetE)を導入する。
RSCは、あるエンティティと意味的に互換性のある欠落した関係を推論することを目的としている。
RelSetEは、観測されたエンティティの関係の中で潜在パターンをモデル化し、失われたパターンを推測する。
論文 参考訳（メタデータ） (2026-06-29T06:54:40Z) - Evolutional Math: Cross-Validated Island-Model Genetic Programming for Interpretable Symbolic Regression on Small, Wide Datasets [0.0]
遺伝的プログラミングによるシンボリック回帰は、小さくて広いデータセットで日常的に失敗する。
提案するEvolutional Mathは,4つの設計選択を組み合わせて,コンパクトで解釈可能な式を生成する,オープンソースの遺伝的プログラミングシステムである。
論文 参考訳（メタデータ） (2026-06-20T10:31:14Z) - Tree-Based Formalization of Multi-Agent Complementarity in Human-AI Interactions [0.3384279376065155]
相補性(complementarity)は、人間とAIのインタラクションが、メンバー間で利用できる最高の予測ベンチマークを上回っている場合である。
既存のフレームワークは、エージェントの予測がどのようにワークフローに敏感なマルチエージェントプロトコルを構成するかをモデル化していない。
複数エージェントHAIにおける相補性のツリーベース形式化を導入することで、このギャップを埋める。
論文 参考訳（メタデータ） (2026-06-03T12:02:19Z) - Learn from your own latents and not from tokens: A sample-complexity theory [53.5821824211418]
本研究では,関連するビューやマスキング領域の潜在表現を予測するために訓練されたネットワークについて検討する。
潜在予測は、対数的要因まで、多くのサンプルを$L$で表すことでこれを達成できることを示す。
これは、H-JEPAのような明示的な積み重ねがほとんど冗長であることを示している。
論文 参考訳（メタデータ） (2026-05-26T22:16:42Z) - TabSCM: A practical Framework for Generating Realistic Tabular Data [22.41489215805826]
因果依存性を保存する混合型ジェネレータであるTabSCMを提案する。
7つの公開データセットでは、TabSCMは最先端のGAN、拡散、LLMベースラインを統計的忠実度で一致または超えている。
生成は明示的な方程式に分解されるので、拡散のみのモデルよりも583$times$高速に実行される。
論文 参考訳（メタデータ） (2026-04-24T08:10:01Z) - HCRE: LLM-based Hierarchical Classification for Cross-Document Relation Extraction with a Prediction-then-Verification Strategy [54.91468501159335]
文書間関係抽出 (RE) は, 異なる文書に存在する頭部尾部エンティティ間の関係を識別することを目的としている。
本稿では,各レベルでの多視点検証により信頼性を向上させる推論戦略を提案する。
論文 参考訳（メタデータ） (2026-04-09T07:55:27Z) - Decision Tree Embedding by Leaf-Means [11.318593165494724]
決定木埋め込み(Decision Tree Embedding, DTE)は、訓練された分類木の葉の分割を利用して解釈可能な特徴表現を構築する、迅速かつ効果的な方法である。
各葉領域内のサンプル手段をアンカーポイントとして使用することにより、DTEは木の分割構造によって定義された埋め込み空間に入力をマップする。
軽度条件下での条件密度の保存を含む,DTEの個体群レベルの理論的特性を確立した。
論文 参考訳（メタデータ） (2025-12-01T15:57:33Z) - Fast Interpretable Greedy-Tree Sums [8.268938983372452]
Fast Interpretable Greedy-Tree Sums (FIGS) は、CARTアルゴリズムを一般化し、要約において柔軟な数の木を成長させる。
G-FIGSは、ドメイン知識を反映し、感度や解釈性を犠牲にすることなく(CARTよりも20%も向上した)特異性を享受するCDIを導出する。
Bagging-FIGSは、現実世界のデータセット上でランダムなフォレストやXGBoostと競合するパフォーマンスを享受している。
論文 参考訳（メタデータ） (2022-01-28T04:50:37Z) - Neuro-Symbolic Entropy Regularization [78.16196949641079]
構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。
エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。
我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
論文 参考訳（メタデータ） (2022-01-25T06:23:10Z)
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。