文献

J-GLOBAL ID：202002265126066090   整理番号：20A2690940

解釈可能な代理機械学習モデルの学習のためのアクティブサンプリング【JST・京大機械翻訳】

Active Sampling for Learning Interpretable Surrogate Machine Learning Models

著者 (2件)： Saadallah Amal (TU Dortmund,Artificial intelligence Group,Germany) ,  Morik Katharina (TU Dortmund,Artificial intelligence Group,Germany)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： DSAA  ページ： 264-272  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 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】

シソーラス用語： 最適化 ,  *学習モデル ,  信頼性 ,  ブラックボックス ,  教師つき学習 ,  柔軟性 ,  ディシジョンツリー ,  ロバスト性 ,  *機械学習
準シソーラス用語： 代用モデル , 【Automatic Indexing@JST】

分類 (5件)： 医用画像処理  (JE04020T) ,  音声処理  (JE05000E) ,  NMR一般  (BM07041R) ,  符号理論  (ND02030R) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 機械学習 ,  モデル ,  学習 ,  サンプリング