Model Agnostic Explainable Selective Regression via Uncertainty Estimation

要約

機械学習技術の広範な採用により、要件は純粋な高性能を超えて進化し、多くの場合、モデルが信頼できることが求められます。
このようなシステムの信頼性を高めるための一般的なアプローチは、予測を行わないようにすることです。
このようなフレームワークは選択的予測として知られています。
分類タスクの選択的予測は広く分析されていますが、選択的回帰の問題については十分に研究されていません。
この論文では、モデルに依存しないノンパラメトリックな不確実性推定を利用した、選択的回帰への新しいアプローチを紹介します。
69 のデータセットに対する包括的なベンチマークを通じて実証されているように、私たちが提案するフレームワークは、最先端の選択的リグレッサーと比較して優れたパフォーマンスを示しています。
最後に、説明可能な AI テクニックを使用して、選択的回帰の背後にある要因を理解します。
私たちは選択的回帰手法をオープンソースの Python パッケージ question に実装し、実験の再現に使用したコードをリリースします。

要約(オリジナル)

With the wide adoption of machine learning techniques, requirements have evolved beyond sheer high performance, often requiring models to be trustworthy. A common approach to increase the trustworthiness of such systems is to allow them to refrain from predicting. Such a framework is known as selective prediction. While selective prediction for classification tasks has been widely analyzed, the problem of selective regression is understudied. This paper presents a novel approach to selective regression that utilizes model-agnostic non-parametric uncertainty estimation. Our proposed framework showcases superior performance compared to state-of-the-art selective regressors, as demonstrated through comprehensive benchmarking on 69 datasets. Finally, we use explainable AI techniques to gain an understanding of the drivers behind selective regression. We implement our selective regression method in the open-source Python package doubt and release the code used to reproduce our experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google