論文の概要: SR4-Fit: A Unified Interpretable Rule-Based Machine Learning Framework for Informative and Trustworthy Decision-Making
- arxiv url: http://arxiv.org/abs/2609.34019v1
- Date: Sun, 27 Sep 2026 23:26:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 07:42:01.410642
- Title: SR4-Fit: A Unified Interpretable Rule-Based Machine Learning Framework for Informative and Trustworthy Decision-Making
- Title（参考訳）: SR4-Fit:Informative and Trustworthy Decision-Makingのための統一解釈可能なルールベース機械学習フレームワーク
- Abstract要約: ブラックボックスモデルは、予測を正当化するためにポストホックな説明を必要とする。
自然な代替手段は、設計によって解釈可能なモデルを使用することである。
本稿では,分類と回帰の両方に対して本質的に解釈可能なSR4-Fitを提案する。
- 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: In many high-stakes applications, machine learning is dominated by black-box models that require post hoc explanations to justify their predictions. These explanations are often unreliable because they do not reflect the model's actual computations, limiting accountability and trust. A natural alternative is to use models that are interpretable by design. However, existing rule-based approaches, such as RuleFit and decision trees, while transparent, often lack stability and predictive strength, reinforcing a perceived trade-off between traditional performance measures and model understandability. To address this, we propose Sparse Relaxed Regularized Regression Rule-Fit (SR4-Fit), an intrinsically interpretable algorithm for both classification and regression that produces compact and stable rule sets without sacrificing performance. Using demographic data from the U.S. Census Bureau's American Community Survey, SR4-Fit predicts U.S. House election outcomes with high accuracy and interpretability while uncovering demographic interactions missed by black-box models. We further validate SR4-Fit across fourteen benchmark datasets (six classification and eight regression), where it outperforms existing rule-based methods, including RuleFit and decision trees in terms of accuracy, stability, and compactness while remaining competitive with black-box models in predictivity. These results demonstrate that interpretability and predictive reliability need not be mutually exclusive, offering a practical and transparent alternative for high-stakes decision-making.
- Abstract（参考訳）: 多くの高度な応用において、機械学習は予測を正当化するためにポストホックな説明を必要とするブラックボックスモデルに支配されている。
これらの説明は、モデルの実計算を反映せず、説明責任と信頼を制限するため、しばしば信頼できない。
自然な代替手段は、設計によって解釈可能なモデルを使用することである。
しかし、ルールファイトや決定木のような既存のルールベースのアプローチは、透過的ではあるが、しばしば安定性と予測力に欠け、従来のパフォーマンス対策とモデルの理解可能性の間のトレードオフを補強する。
そこで本研究では,Sparse Relaxed Regularized Regression Rule-Fit (SR4-Fit)を提案する。
アメリカ合衆国国勢調査局のアメリカン・コミュニティ・サーベイ(英語版)の人口統計データを用いて、SR4-Fitは、ブラックボックスモデルで見逃された人口統計の相互作用を解明しながら、高い精度と解釈可能性でアメリカ合衆国下院の選挙結果を予測する。
さらに、14のベンチマークデータセット(6つの分類と8つの回帰)でSR4-Fitを検証し、予測性においてブラックボックスモデルと競合しながら、精度、安定性、コンパクト性の点でルールファイトや決定木など、既存のルールベースの手法よりも優れています。
これらの結果は、解釈可能性と予測信頼性は相互に排他的ではなく、高い意思決定のための実践的で透明な代替手段を提供することを示した。
関連論文リスト
- Jailbreaks for Black-Box Uncertainty Quantification in Large Reasoning Models [0.6999740786886536]
パラフレーズに基づく自己整合性や自信的言語化など,既存のブラックボックス手法は,単純な繰り返しサンプリングよりもほとんど,あるいはまったく改善しないことを示す。
モデルの有効性を拡大するプロンプトレベルの緩和演算子を導入する。
緩和理論によって予測される行動シグネチャを経験的に再現するUQのジェイルブレイク法であるジェイルブレイク・フォー・不確実性(J4U)を提案する。
論文 参考訳（メタデータ） (2026-09-28T15:02:03Z) - Regime-Gated Residual Mixture-of-Experts for Cross-Sectional Volatility Forecasting [2.4235475271758076]
本研究では,米国株1027株の5日間の実効変動予測をウォークフォワード評価フレームワークを用いて検討した。
本稿では,RG-ResMoEを提案する。
論文 参考訳（メタデータ） (2026-08-12T16:51:51Z) - Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。
本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。
本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
論文 参考訳（メタデータ） (2026-05-29T03:52:44Z) - Uncertainty-Aware Transformers: Conformal Prediction for Language Models [4.464939140209426]
本稿ではトランスフォーマーに基づく言語モデルのための不確実な定量化フレームワークを提案する。
CONFIDEは、BERTやRoBERTaのようなエンコーダのみのアーキテクチャの内部埋め込みに対して、整合予測を適用する。
初期および中期のトランスフォーマー層は、しばしば共形予測のためのより良いキャリブレーションと意味論的意味のある表現をもたらす。
論文 参考訳（メタデータ） (2026-04-10T02:48:50Z) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - Partial Identification under Missing Data Using Weak Shadow Variables from Pretrained Models [19.367626631086214]
ユーザフィードバックによる平均結果などの人口量の推定は,プラットフォーム評価や社会科学に不可欠である。
既存のアプローチは一般に、実際には利用できないかもしれない強いパラメトリックな仮定や分岐補助変数に依存している。
本研究では,一対の線形プログラムを解くことにより,推定値のシャープな境界を求める部分同定フレームワークを開発する。
論文 参考訳（メタデータ） (2026-02-17T22:18:27Z) - SR4-Fit: An Interpretable and Informative Classification Algorithm Applied to Prediction of U.S. House of Representatives Elections [0.0]
SR4-Fitは、前例のない精度と解釈可能性で下院選挙結果を予測することができることを示す。
また、乳がん、エコリ、ページブロック、ピマ・インディアン、自動車、酵母のデータセットなど、新たに利用可能な6つの分類データセットにも適用しています。
論文 参考訳（メタデータ） (2026-02-05T22:18:43Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z)
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。