論文の概要: BAM: Bivariate Additive Models for Interpretable Tabular Prediction

• arxiv url: http://arxiv.org/abs/2611.05940v1
• Date: Wed, 04 Nov 2026 04:28:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.94248
• Title: BAM: Bivariate Additive Models for Interpretable Tabular Prediction
• Title（参考訳）: BAM:解釈可能な語彙予測のための二変量付加モデル
• Abstract要約: 対相互作用を持つ一般化加法モデル(GA$2$Ms)はガラス箱モデルと見なされる。 実際には、EMMやNODE-GAMのような手法によって学習される形状関数は非常に複雑であり、実践者が意味のある解釈をできない。 このような単純化は、適切な特徴対が捕捉された場合の標準GAMの精度に合致する。
• 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: Generalized Additive Models with pairwise interactions (GA$^2$Ms) are regarded as glass-box models, since each pairwise shape function can be visualized as a contour plot. In practice, the shape functions learned by methods such as EBM or NODE-GAM are so complex (irregular contours and sharp local fluctuations) that a practitioner cannot meaningfully interpret them or check them against domain knowledge. Auditability in this stronger sense requires substantially simpler shape functions. We argue that such simplification can match the accuracy of standard GAMs if the right feature pairs are captured. We propose Bivariate Additive Models (BAMs), a class of GA$^2$Ms in which every pairwise shape function is constrained to a simple parametric form, instantiated as an asymmetric bivariate Gaussian. Each component is visualizable as a unimodal contour map, and its feature pair is selected automatically during training. Experiments on six tabular benchmarks show that BAM attains predictive accuracy comparable to standard GAMs and approaches that of GA$^2$Ms. We also show the trade-off between accuracy and the number of components to inspect.
• Abstract（参考訳）: 対の相互作用を持つ一般化加法モデル(GA$^2$Ms)は、各対の形状関数を輪郭プロットとして視覚化できるため、ガラス箱モデルと見なすことができる。 実際には、EMMやNODE-GAMのような手法によって学習される形状関数は非常に複雑(不規則な輪郭や急激な局所的ゆらぎ)なので、実践者はそれらを有意義に解釈したり、ドメイン知識に対してチェックしたりすることはできない。 この強い意味での聴力は、かなり単純な形状関数を必要とする。 このような単純化は、適切な特徴対が捕捉された場合の標準GAMの精度に合致する。 GA$2$MsのクラスであるBAM(Bivariate Additive Models)を提案し、任意のペアの形状関数は単純なパラメトリック形式に制約され、非対称な二変数ガウスとしてインスタンス化される。 各コンポーネントは、一方向の輪郭マップとして可視化可能であり、その特徴対はトレーニング中に自動的に選択される。 6つの表のベンチマーク実験により、BAMは標準的なGAMに匹敵する予測精度とGA$^2$Msのアプローチが得られた。 また、精度と検査対象部品数とのトレードオフを示す。

関連論文リスト

• SQUARE: Structured Quantum Representation Adapters as Compact Quadratic Feature Maps for Frozen Language Models [50.300302932452006]
  凍結言語モデル(LM)は、下流の再ランク付け、スコアリング、嗜好モデリングのための固定された特徴抽出器として、ますます使われている。 本稿では、ボトルネックベクトルを振幅符号化し、パラメータ化量子回路を適用し、その結果の状態を測定する構造量子表現アダプタを提案する。 各基底確率関数は、ちょうどボトルネック座標における正規化された二次形式であり、追加のPauli$Z$読み出しはそれらの確率の線形結合であることを示す。
  論文  参考訳（メタデータ） (2026-09-29T09:38:29Z)
• Machine Learning Surrogate Modeling for Homogenization of Hyperelastic Materials with Boolean Microstructures [0.0]
  データ駆動サロゲートモデルは、異種物質の数値的均質化の代替となる。 ニューラルネットワークはスカラーと曲線の統計記述子の組み合わせに基づいて訓練される。 パラメータ空間の制限ケースを表す追加データは、トレーニングを安定させ、外挿動作を改善するために組み込まれている。
  論文  参考訳（メタデータ） (2026-05-31T00:51:52Z)
• Graphical Transformation Models [0.48248213281039337]
  複雑な境界構造と複素依存構造を半パラメトリックに有する多変量データを効果的にモデル化する新しい手法を提案する。 ラッソペナルティを用いて,GTMを一対の条件付き独立性に対して概略正則化する方法を示す。 モデルの堅牢性と有効性はシミュレーションを通じて検証され、複雑な依存関係を正確に学習する能力を示している。
  論文  参考訳（メタデータ） (2025-03-22T19:41:15Z)
• Manifold Gaussian Variational Bayes on the Precision Matrix [70.44024861252554]
  複雑なモデルにおける変分推論(VI)の最適化アルゴリズムを提案する。 本研究では,変分行列上の正定値制約を満たすガウス変分推論の効率的なアルゴリズムを開発した。 MGVBPはブラックボックスの性質のため、複雑なモデルにおけるVIのための準備が整ったソリューションである。
  論文  参考訳（メタデータ） (2022-10-26T10:12:31Z)
• A Variational Approach to Parameter Estimation for Characterizing 2-D Cluster Variation Method Topographies [0.0]
  2次元クラスタ変動法(CVM)は、構成変数の集合を2つのパラメータで関連付ける理論的枠組みを提供する。 自然に発生する3つの白黒トポグラフィーから抽出した4つのパターンを用いて手法を図示する。 パターンが比較的少ない同種近傍のノードから増加する同種近傍の質量へと進むにつれて、各自由エネルギー最小化モデルに対するh値も増加するという期待結果が得られる。
  論文  参考訳（メタデータ） (2022-09-09T02:10:59Z)
• A Quadrature Rule combining Control Variates and Adaptive Importance Sampling [0.0]
  モンテカルロ積分推定の精度を向上させるために, 単純重み付き最小二乗法が有効であることを示す。 我々の主な成果は、プロシージャの確率的誤差の非漸近的境界である。 この手法のよい振る舞いは、ベイズ線形回帰のための合成例と実世界のデータに実証的に説明される。
  論文  参考訳（メタデータ） (2022-05-24T08:21:45Z)

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。