Understanding and Exploring the Whole Set of Good Sparse Generalized Additive Models

要約

実際のアプリケーションでは、機械学習モデルとドメインの専門家の間の相互作用が重要です。
ただし、通常は単一のモデルのみを生成する従来の機械学習パラダイムでは、このような相互作用は促進されません。
羅生門セット、つまりすべての最適に近いモデルのセットを近似して探索することで、ドメインの専門家が選択できる多様なモデルのセットを含む検索可能なスペースをユーザーに提供することで、この実際的な課題に対処します。
疎な一般化加法モデル (GAM) の羅生門セットを効率的かつ正確に近似する手法を提示します。
固定サポート セットの楕円体で GAM の羅生門セットを近似するアルゴリズムを提示し、これらの楕円体を使用して、多くの異なるサポート セットの羅生門セットを近似します。
近似羅生門集合は、次のような実際的な課題を解決するための基礎として機能します。(1) モデル クラスの変数の重要度を調べる。
(2) ユーザー指定の制約 (単調性、直接編集) の下でモデルを見つける。
(3) 形状関数の急激な変化の調査。
実験は、近似された羅生門セットの忠実度と、実際の課題を解決する上でのその有効性を示しています。

要約(オリジナル)

In real applications, interaction between machine learning model and domain experts is critical; however, the classical machine learning paradigm that usually produces only a single model does not facilitate such interaction. Approximating and exploring the Rashomon set, i.e., the set of all near-optimal models, addresses this practical challenge by providing the user with a searchable space containing a diverse set of models from which domain experts can choose. We present a technique to efficiently and accurately approximate the Rashomon set of sparse, generalized additive models (GAMs). We present algorithms to approximate the Rashomon set of GAMs with ellipsoids for fixed support sets and use these ellipsoids to approximate Rashomon sets for many different support sets. The approximated Rashomon set serves as a cornerstone to solve practical challenges such as (1) studying the variable importance for the model class; (2) finding models under user-specified constraints (monotonicity, direct editing); (3) investigating sudden changes in the shape functions. Experiments demonstrate the fidelity of the approximated Rashomon set and its effectiveness in solving practical challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google