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。
局所解釈可能なモデル診断説明(LIME)法は,1例レベルでブラックボックスモデルを説明するために用いられる最も一般的な方法の1つである。多くのバリアントが提案されてきたが,安定で直感的な高忠実度説明を生成する簡単な方法はほとんどない。本研究では,不変リスク最小化(IRM)原理によって触発されたモデル診断的局所説明法,すなわち,(グローバル)アウトオブ分布一般化に対して,オリジナルに提案された,そのような高い忠実度説明を提供し,また,近傍例を通して安定かつ一方向性を提供する,という新しい展望を提供した。提案手法は,著者らのアプローチが,ブラックボックス関数の勾配が,例の局所性において突然変化する特徴を除去する強い傾向を持ち,一方,他の場合では,より注意深く,また,より保守的(特徴)属性,すなわち,リコースにとって非常に望ましい挙動を選択する,という特徴を除去するという強い傾向を持つことを,ゲーム理論定式化に基づいて示した。経験的に,著者らは,ランダム摂動を用いて形成した近傍による著者らの説明の質が,LIMEより非常に良く,また,データ多様体からサンプリングされた現実的近傍を使用する他の方法に匹敵する場合でさえも,いくつかの場合において,その説明の質が,より良好であることを示した。これは,実際の隣人を創造するか,または,説明を計画するのに,多様体を学習することは,典型的には高価であるか,あるいは不可能であっても,望ましい。さらに,提案アルゴリズムは,訓練に対して簡単で効率的であり,いくつかの最近の研究において見られるように,(部分)因果グラフのような側面情報へのアクセスなしに,ブラックボックスの局所決定のための安定した入力特徴を確認することができた。【JST・京大機械翻訳】
