機械学習モデルの説明性

Увійти

ідея - 機械学習モデルの説明性

モンテカルロサンプリングを用いて、コアリション構造を持つグループ説明子を効率的に近似する手法を提案する。

機械学習モデルの予測に対する特徴の寄与を説明するシャプレー値の計算には、条件付きと周辺の2つのアプローチがあるが、特徴間の相関がある場合、これらのアプローチは異なる結果を導く。本論文では、因果分析の観点から、条件付きアプローチは根本的に不適切であり、周辺アプローチが推奨されるべきであることを示す。

複雑な機械学習モデルの予測を理解し説明するために、十分性と必要性という2つの重要な概念を定式化し、それらを統一的に扱うアプローチを提案する。

Про нас

Продукти | Ресурси

Ідеї