文献

J-GLOBAL ID：202002291107662952   整理番号：20A2461514

確率的グラフィカルモデル推論のためのShapley値とMeta説明【JST・京大機械翻訳】

Shapley Values and Meta-Explanations for Probabilistic Graphical Model Inference

著者 (5件)： Liu Yifei (Beijing University of Posts and Telecommunications, Beijing, China) ,  Chen Chao (Lehigh University, Bethlehem, PA, USA) ,  Liu Yazheng (Beijing University of Posts and Telecommunications, Beijing, China) ,  Zhang Xi (Beijing University of Posts and Telecommunications, Beijing, China) ,  Xie Sihong (Lehigh University, Bethlehem, PA, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： CIKM ’20  ページ： 945-954  発行年： 2020年 
JST資料番号： D0698C  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： Markov確率場(MRF)のような確率的グラフィカルモデルは,ランダム変数間の依存性を利用して,結合確率分布の豊富なファミリーをモデル化する。信念伝搬(BP)のような推論アルゴリズムは,意思決定のための限界後部を効果的に計算することができる。それにもかかわらず,推論は洗練された確率計算を含み,人間が解釈するのは難しい。MRFのためのすべての既存の説明方法の中で,推論が行われるMRF上の要素に対する推論結果の公正属性のための方法を設計した。Shapley値は厳密な属性を与えるが,これまでMRFについては研究されていない。従って,MRFのShapley値を定義し,MRFに対する変数の確率的およびトポロジー的寄与の両方を捕捉する。独立性,等しい寄与,加成性,およびサブモジュラリティに関する新しい定義を理論的に特性化した。Shapley値の br力計算が挑戦的なので,Shapley値,MRFの構造,および計算をスピードアップするBP推論の反復性を利用する近似アルゴリズムであるGraphShapleyを提案した。実際に,筆者らはShapley値を説明するメタ計画を提案し,それらを人間ユーザに対してよりアクセス可能かつ信頼できるものにする。4つの合成と9つの実世界のMRFに関して,著者らは,GraphShapleyが顕在的で実用的な説明を生成することを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  位相幾何学 ,  意思決定 ,  確率分布 ,  加成性 ,  キャラクタリゼーション
準シソーラス用語： Markov確率場 ,  近似アルゴリズム ,  ランダム変数 ,  信念伝搬 ,  *Shapley値 ,  確率的グラフィカルモデル ,  サブモジュラリティー , 【Automatic Indexing@JST】

著者キーワード (2件)： 説明可能性 ,  グラフィカルモデル

分類 (2件)： システム・制御理論一般  (IA02010H) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 確率的グラフィカルモデル ,  推論 ,  Shapley値 ,  説明