文献

J-GLOBAL ID：202202234407660239   整理番号：22A0778053

データ中の共通欠陥を検出するための説明可能ブースティングマシン(EBMs)の使用【JST・京大機械翻訳】

Using Explainable Boosting Machines (EBMs) to Detect Common Flaws in Data

著者 (7件)： Chen Zhi (Microsoft, Redmond, WA, USA) ,  Chen Zhi (Duke University, Durham, NC, USA) ,  Tan Sarah (Cornell University, Ithaca, NY, USA) ,  Nori Harsha (Microsoft, Redmond, WA, USA) ,  Inkpen Kori (Microsoft, Redmond, WA, USA) ,  Lou Yin (Ant Group, Sunnyvale, CA, USA) ,  Caruana Rich (Microsoft, Redmond, WA, USA)
資料名： Communications in Computer and Information Science  (Communications in Computer and Information Science)
巻： 1524  ページ： 534-551  発行年： 2022年 
JST資料番号： W5071A  ISSN： 1865-0929  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： データ科学者が予測できないという驚くべき方法で,あらゆるデータセットは欠陥がある。しかし,一般的な機械学習法はほとんどブラックボックスである。解釈可能性の欠如のため,それらは,これらのデータセットから欠陥知識を学習し,検出が困難である。本研究では,EBMのような解釈可能な機械学習法が,ユーザが彼らのデータで検索する問題を検出するのを助けることができることを示す。特に,著者らは,EBMが,欠測値,交絡および処理効果,データドリフト,バイアスおよび公平性,および異常値を含む,様々なタイプの一般的データセット欠陥を発見する,多数の事例研究を提供した。各事例研究において,ドメイン知識と組み合わせたEBM形状関数の可視化を用いて欠陥を解析した。また,いくつかの場合において,EBMのような解釈可能な学習法が,データを修正するとき,問題を修正するための簡単なツールを提供することを実証した。Copyright Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  データ ,  欠陥 ,  ドリフト ,  可視化 ,  ブラックボックス ,  モデル ,  事例研究 ,  異常値 ,  機械学習 ,  公平性 ,  ドメイン知識
準シソーラス用語： 欠測値 ,  形状関数 ,  データサイエンス , 【Automatic Indexing@JST】

著者キーワード (7件)： 解釈可能性 ,  一般化加算モデル ,  デバッグデータセット ,  モデル編集 ,  欠損値 ,  治療効果 ,  公平性

分類 (2件)： 人工知能  (JE08000Z) ,  非破壊試験  (HB02030F)

タイトルに関連する用語 (4件)： 欠陥 ,  説明 ,  ブースティング ,  マシン