論文の概要: From Log-Odds to Shapley Values: An Explanatory Geometry for the Weighted Naive Bayes Classifier
- arxiv url: http://arxiv.org/abs/2610.10642v1
- Date: Wed, 07 Oct 2026 14:49:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.596724
- Title: From Log-Odds to Shapley Values: An Explanatory Geometry for the Weighted Naive Bayes Classifier
- Title（参考訳）: Log-OddsからShapley Values:重み付きネイブベイズ分類器のための説明幾何学
- Abstract要約: モデルにより誘導される教師付き表現から重み付きネーブベイズ分類器のための説明空間の構築について検討する。
この研究は、主に方法論の観点から、監督された距離、局所的な説明、予測行動の密接な関係を強調している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper studies the construction of an explanatory space for a weighted naive Bayes classifier from the supervised representation induced by the model. We start from the classical supervised distance based on conditional log-likelihoods and introduce a discriminative reformulation based on log-odds, which is more directly related to the classification decision. We then show that this representation induces a distance that exactly coincides with the $\ell_1$ distance between vectors of analytical Shapley values, thereby providing a formal explanatory interpretation of the geometry induced by the model. Finally, we empirically compare several supervised distances derived from these representations using a $k$-nearest neighbors classifier. This work highlights a close link between supervised distance, local explanation, and predictive behavior, from a primarily methodological perspective.
- Abstract（参考訳）: 本稿では,モデルにより誘導される教師付き表現から重み付きネーブベイズ分類器のための説明空間の構築について検討する。
まず、条件付きログ類似度に基づく古典的教師付き距離から始まり、ログオードに基づく識別的再構成を導入し、より直接的に分類決定に関連付ける。
次に、この表現は解析的シャプリー値のベクトル間の$\ell_1$距離と正確に一致する距離を誘導し、モデルによって誘導される幾何学の形式的説明的解釈を与えることを示す。
最後に、これらの表現から導かれるいくつかの教師付き距離を、$k$-nearest neighbors分類器を用いて実証的に比較する。
この研究は、主に方法論の観点から、監督された距離、局所的な説明、予測行動の密接な関係を強調している。
関連論文リスト
- Prediction via Shapley Value Regression [18.708235771482205]
ViaSHAPと呼ばれる新しい手法が提案され、Shapley値を計算する関数が学習される。
大規模な実証調査の結果を報告する。
論文 参考訳（メタデータ） (2025-05-07T19:51:17Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Rethinking Distance Metrics for Counterfactual Explainability [53.436414009687]
本研究では, 反事実を参照領域から独立して引き出すのではなく, 基礎となるデータ分布からの参照と共同してサンプリングする, 反事実生成手法のフレーミングについて検討する。
我々は、幅広い設定に適用可能な、反ファクト的な類似性のために調整された距離メートル法を導出する。
論文 参考訳（メタデータ） (2024-10-18T15:06:50Z) - On the Origins of Linear Representations in Large Language Models [51.88404605700344]
我々は,次のトークン予測の概念力学を定式化するために,単純な潜在変数モデルを導入する。
実験により、潜在変数モデルと一致するデータから学習すると線形表現が現れることが示された。
また、LLaMA-2大言語モデルを用いて、理論のいくつかの予測を検証した。
論文 参考訳（メタデータ） (2024-03-06T17:17:36Z) - Sampling and estimation on manifolds using the Langevin diffusion [45.57801520690309]
離散化マルコフ過程に基づく$mu_phi $の線形汎函数の2つの推定器を検討する。
誤差境界は、本質的に定義されたランゲヴィン拡散の離散化を用いてサンプリングと推定のために導出される。
論文 参考訳（メタデータ） (2023-12-22T18:01:11Z) - Counting Like Human: Anthropoid Crowd Counting on Modeling the
Similarity of Objects [92.80955339180119]
メインストリームの群衆計数法は 密度マップを補強して 計数結果を得るために統合する。
これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-02T07:00:53Z) - Isometric Gaussian Process Latent Variable Model for Dissimilarity Data [0.0]
本稿では、潜在変数がモデル化データの距離と位相の両方を尊重する確率モデルを提案する。
このモデルは、対距離の観測に基づく変分推論によって推定される。
論文 参考訳（メタデータ） (2020-06-21T08:56:18Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳（メタデータ） (2020-06-05T20:54:11Z) - An end-to-end approach for the verification problem: learning the right
distance [15.553424028461885]
パラメトリックな擬似距離を導入し、エンコーダと共同で学習することで、メトリック学習の設定を強化する。
まず、仮説テストに使用できる確率比を近似して示す。
提案手法では,実際の距離を持つメートル法学習に比べて,学習の簡易化が図られている。
論文 参考訳（メタデータ） (2020-02-21T18:46:06Z)
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。