Locally-Minimal Probabilistic Explanations

要約

形式的なアブダクティブな説明は厳密性の重要な保証を提供するため、一か八かの機械学習 (ML) の使用に興味深いものです。
アブダクティブな説明の欠点の 1 つは説明のサイズです。これは人間の意思決定者の認知限界によって正当化されます。
確率的アブダクティブ説明 (PAXps) はこの制限に対処しますが、その理論的および実際的な複雑さにより、ほとんどの場合、正確な計算は非現実的になります。
この論文では、実際に PXAps の高品質な近似を提供する、局所最小 PXAps の計算のための新しい効率的なアルゴリズムを提案します。
実験結果は、提案されたアルゴリズムの実際的な効率を示しています。

要約(オリジナル)

Formal abductive explanations offer crucial guarantees of rigor and so are of interest in high-stakes uses of machine learning (ML). One drawback of abductive explanations is explanation size, justified by the cognitive limits of human decision-makers. Probabilistic abductive explanations (PAXps) address this limitation, but their theoretical and practical complexity makes their exact computation most often unrealistic. This paper proposes novel efficient algorithms for the computation of locally-minimal PXAps, which offer high-quality approximations of PXAps in practice. The experimental results demonstrate the practical efficiency of the proposed algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google