抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
帰納的決定への機械学習法の使用は,多くの分野にわたってますます拡大している。その結果,これらのモデルを解釈する能力は,関連技術受容レベルおよび信頼性を増加させるために,より大きな範囲になった。本論文では,教師つき学習問題のためのブラックボックスモデルをより良く近似するために,正確に解釈可能な代理機械学習モデルを学習するためのアクティブサンプリングアプローチを提案した。したがって,代理モデルを用いてブラックボックスモデルを学習し,その特性を反映した。アクティブサンプリングをインフォームドサンプリング法として用いて,代理モデルの精度を高めるためにブラックボックスモデルの予測に基づく最適化訓練セットを適応的に反復的に構築する。続いて,代理モデルを用いてブラックボックスモデルを解釈し,デバッグした。開発した方法は柔軟であり,その出力を計算する能力のみを必要とするので,任意のタイプの解釈可能な機械学習モデルを使用するブラックボックスモデルの任意のファミリーを近似するために使用できる。また,回帰と分類タスクにも適用可能である。本研究では,それらの高い解釈可能性により,決定木に焦点を当てた。いくつかの実世界データセットに関する方法の実験的評価を提示し,その柔軟性とロバスト性を,代理モデルの学習のための従来の手法と比較して示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】