論文の概要: Measuring Variable Importance Using Proportional Inclusive Marginal Effects

• arxiv url: http://arxiv.org/abs/2610.17053v2
• Date: Tue, 20 Oct 2026 03:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.193873
• Title: Measuring Variable Importance Using Proportional Inclusive Marginal Effects
• Title（参考訳）: 包括的含意効果を用いた可変重要度の測定
• Abstract要約: 非アクティブ変数は、それがアクティブ変数と相関しているときに正の重要度を得られる。 Herinらは最近、この刺激効果を緩和する比例限界効果(PME)と呼ばれる尺度を提案した。 本稿では,この2つの限界を克服する比例的包摂的限界効果(PRIME)という新しい尺度を提案する。
• 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: Shapley-based measures are widely used for measuring variable importance in statistics and machine learning. However, these measures have a serious issue--a nonactive variable can get a positive importance measure when it is correlated with an active variable. Herin et al. recently proposed a measure called proportional marginal effects (PME) that mitigates this spurious effect. However, PME is developed for deterministic models and has high computational cost. In this article, we propose a new measure called proportional inclusive marginal effects (PRIME) that overcomes these two limitations of PME. The key idea in PRIME is to use a novel model-free variable selection technique to identify the active variables and include only them in the computation of the importance measure. Analysis of test functions and real datasets show that PRIME can accurately and reliably quantify variable importance from noisy input-output data.
• Abstract（参考訳）: シェープに基づく測度は、統計学や機械学習における変数の重要性を測定するために広く用いられている。 しかし、これらの測度には深刻な問題があり、非活性変数は、それが活性変数と相関しているときに正の重要度を得られる。 Herinらは最近、この刺激効果を緩和する比例限界効果(PME)と呼ばれる尺度を提案した。 しかし、PMEは決定論的モデルのために開発されており、計算コストが高い。 本稿では,PMEの2つの限界を克服する,比例的包摂的限界効果(PRIME)と呼ばれる新しい尺度を提案する。 PRIMEのキーとなるアイデアは、新しいモデルのない変数選択技術を使用して、アクティブ変数を識別し、重要な尺度の計算にそれらのみを含めることである。 テスト関数と実データセットの分析により、PRIMEはノイズの多い入力出力データから変数の重要度を正確かつ確実に定量化できることを示す。

関連論文リスト

• Per-parameter Task Arithmetic for Unlearning in Large Language Models [63.240204423180955]
  大規模言語モデル(LLM)の未学習では、プライベート情報を削除する必要がある。 特定のタスクベクトル(TV)を減算したタスク算術
  論文  参考訳（メタデータ） (2026-01-29T17:35:32Z)
• Estimating Misreporting in the Presence of Genuine Modification: A Causal Perspective [11.438018798893113]
  リソースの割り当てを知らせるためにMLモデルを使用する場合、エージェントは、より良い結果を得るために、戦略的に機能を変更するインセンティブを持つ可能性がある。 そこで本研究では, エージェントがどの程度の頻度で誤レポートしているかを, 真に変化した特徴を識別し, 定量化するための因果的動機付け手法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:06:30Z)
• On the Impact of Performative Risk Minimization for Binary Random Variables [8.901337033990712]
  連立確率変数と線形能動シフトを用いた逐次能動リスク最小化問題に対する性能評価について検討した。 完全な情報の場合、PRMソリューションと影響測定の明確な公式を導出する。 我々の分析は、データシフトをモデル化しない代替品とPRMを対比し、PRMが増幅された副作用を持つことを示す。
  論文  参考訳（メタデータ） (2025-02-04T14:06:27Z)
• Measuring Variable Importance in Heterogeneous Treatment Effects with Confidence [33.12963161545068]
  因果機械学習は、複雑なデータから個々の治療効果を推定する約束を持っている。 本稿では,条件付き置換法(CPI)に基づくアルゴリズムPermuCATEを提案する。 シミュレーションおよび実世界の健康データセットにおけるPermuCATEの利点を実証的に示す。
  論文  参考訳（メタデータ） (2024-08-23T11:44:07Z)
• Disparate Impact on Group Accuracy of Linearization for Private Inference [48.27026603581436]
  多数派と比較して,ReLUアクティベーション数の減少は少数派に対する精度を著しく低下させることを示す。 また,線形化モデルの微調整手順を変更する簡単な手順が,効果的な緩和戦略として有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-06T01:56:29Z)
• Challenges in Variable Importance Ranking Under Correlation [6.718144470265263]
  本稿では,特徴相関が変数重要度評価に与える影響を総合シミュレーションで検討する。 ノックオフ変数と対応する予測変数の間には相関関係は常に存在しないが、相関関係が予測変数間の特定の相関しきい値を超えて線形に増加することを証明している。
  論文  参考訳（メタデータ） (2024-02-05T19:02:13Z)
• dugMatting: Decomposed-Uncertainty-Guided Matting [83.71273621169404]
  そこで本稿では, 明確に分解された不確かさを探索し, 効率よく効率よく改善する, 分解不確実性誘導型マッチングアルゴリズムを提案する。 提案したマッチングフレームワークは,シンプルで効率的なラベリングを用いて対話領域を決定する必要性を緩和する。
  論文  参考訳（メタデータ） (2023-06-02T11:19:50Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• Rethink Maximum Mean Discrepancy for Domain Adaptation [77.2560592127872]
  本論文は,(1)最大平均距離の最小化は,それぞれソースとクラス内距離の最大化に等しいが,その差を暗黙の重みと共同で最小化し,特徴判別性は低下する,という2つの本質的な事実を理論的に証明する。 いくつかのベンチマークデータセットの実験は、理論的な結果の有効性を証明しただけでなく、我々のアプローチが比較した最先端手法よりも大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2020-07-01T18:25:10Z)
• Nonparametric Feature Impact and Importance [0.6123324869194193]
  データ上で直接動作する部分依存曲線から導かれる特徴的影響と重要性の数学的定義を与える。 品質を評価するために、これらの定義によってランク付けされた特徴は、既存の特徴選択技術と競合することを示す。
  論文  参考訳（メタデータ） (2020-06-08T17:07:35Z)

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。