Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
機械学習の公平性と解釈可能性 / Fairness, Interpretability, an...
Search
Kon
July 28, 2018
Science
6
2.5k
機械学習の公平性と解釈可能性 / Fairness, Interpretability, and Explainability Federation of Workshops
https://connpass.com/event/92705/
Kon
July 28, 2018
Tweet
Share
More Decks by Kon
See All by Kon
Numerai はいいぞ / An encouragement of Numerai
yohrn
0
2.6k
M5 Forecasting 参加報告 / 143rd place solution of M5 Forecasting Accuracy
yohrn
1
1.3k
AutoML はお好きですか? / 8th place solution of AutoWSL 2019
yohrn
1
3.3k
3rd Place Solution of AutoSpeech 2019
yohrn
0
430
自然言語処理初心者が AutoNLP に挑戦した話 / 8th place solution of AutoNLP 2019
yohrn
0
890
AutoML パッケージの開発を円滑に進めたい / How to develop AutoML package
yohrn
1
3.5k
機械学習の再現性 / Enabling Reproducibility in Machine Learning Workshop
yohrn
9
2.9k
異常検知の評価指標って何を使えばいいの? / Metrics for one-class classification
yohrn
0
6.7k
35th ICML における異常検知に関する論文紹介 / Deep One-Class Classification
yohrn
0
7.7k
Other Decks in Science
See All in Science
KDD2023学会参加報告
tereka114
2
470
LIMEを用いた判断根拠の可視化
kentaitakura
0
290
拡散モデルの原理紹介
brainpadpr
3
4.2k
成果物の構造を考慮したテキスト埋め込みによるトレーサビリティリンク回復手法の提案
toskamiya
0
110
統計的因果探索の方法
sshimizu2006
1
1.1k
非同期コミュニケーションの構造 -チャットツールを用いた組織における情報の流れの設計について-
koisono
0
120
機械学習による確率推定とカリブレーション/probabilistic-calibration-on-classification-model
ktgrstsh
2
190
多次元展開法を用いた 多値バイクラスタリング モデルの提案
kosugitti
0
180
ざっと学んでみる確率過程 〜その1 : ブラウン運動〜
nearme_tech
PRO
0
310
ウェーブレットおきもち講座
aikiriao
1
780
ICRA2024 速報
rpc
3
5k
Survival Under Fire: How to Stay Whole During Adversity
arthurdoler
PRO
0
140
Featured
See All Featured
Git: the NoSQL Database
bkeepers
PRO
425
64k
[RailsConf 2023] Rails as a piece of cake
palkan
49
4.8k
Understanding Cognitive Biases in Performance Measurement
bluesmoon
26
1.4k
Building Your Own Lightsaber
phodgson
102
6k
Fireside Chat
paigeccino
32
3k
Code Reviewing Like a Champion
maltzj
519
39k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
364
22k
Creatively Recalculating Your Daily Design Routine
revolveconf
217
12k
Building Applications with DynamoDB
mza
90
6k
The Cost Of JavaScript in 2023
addyosmani
43
5.9k
Designing Experiences People Love
moore
138
23k
Visualization
eitanlees
143
15k
Transcript
機械学習の 公平性と 解釈可能性 ICML 2018 読み会 Saturday, July 28, 2018
Yu Ohori ML Researcher at NSSOL (2017-) • Semi-supervised learning
• Anomaly detection PyCon JP Staff (2018-) 2
3 再犯予測システムが 公平性を欠いている と指摘した
4 データ主体は決定に対して 意味のある説明を要求する 権利を有する
今, 公平性と 解釈可能性が熱い? 5
6
ICML 2017 Best Paper Awards • Koh & Liang, Understanding
Black-box Predictions via Influence Functions 7 ICML 2018 Best Paper Awards • Liu et al., Delayed Impact of Fair Machine Learning
ICML 2017 Tutorials • Kim & Doshi-Velez, Interpretable Machine Learning
8 ICML 2018 Tutorials • Corbett-Davies & Goel, Defining and Designing Fair Algorithms
ICML 2017 Workshops • 2nd WHI IJCAI 2017 Workshops •
1st XAI 9 ICML 2018 Workshops • 5th FAT/ML • 3rd WHI IJCAI-ECAI 2018 Workshops • 1st IReDLiA • 2nd XAI Fairness, Interpretability, and Explainability Federation of Workshops
10 3rd Workshop on Human Interpretability in Machine Learning (WHI)
Saturday, July 14, 2018 • 3 invited talks • 17 contributed talks の中から 5 つ紹介
11 何故そう判断した 複雑で君には 理解出来ない 君は信用出来ない 機械学習システム 利用者
12 LIME [Ribeiro et al., KDD ‘16] Code: github.com/marcotcr/lime SHAP
[Lundberg & Lee, NIPS ‘17] Code: github.com/slundberg/shap
13 LIME の仕組み 1. 対象の周辺で訓練標本を生成, 分類器が出力する確率で注釈 2. 対象に近い標本を重み付け, 複雑さに対する制約を与え, 説明器(Ridge
回帰)を学習 3. 説明器の係数に基づいて, 予測に寄与する特徴を提示
14 DeepExplain [Ancona et al., ICLR ‘18] Code: github.com/marcoancona/DeepExplain
1. Tomsett et al., Interpretable to Whom? A Role-based Model
for Analyzing Interpretable Machine Learning Systems エージェントの役割毎に解釈可能性を考察したお話 15
16 explainability transparency creator- interpretability 重要 重要 operator- interpretability 重要
時に重要 executor- interpretability 重要 重要でない decision-subject- interpretability 重要 時に重要 data-subject- interpretability 重要でない 重要 examiner- interpretability 重要 重要 機械学習エコシステムの 概念モデルを提案 システム開発 企業 融資申込者 過去の 融資申込者 金融規制 当局 金融機関 従業員 例:融資申込 金融機関 従業員
2. van der Waa et al., Contrastive Explanations with Local
Foil Trees Code: github.com/MarcelRobeer/ContrastiveExplanation 高次元データに適用可能な説明手法を提案したお話 17
18 LIME, SHAP の問題点 次元が大きくなるにつれて,提示する特徴数(説明長)は増えてい き,次第に説明の解釈が難しくなる
提案手法(Constrative Explanation)の発想 「B ではなく A と予測したのは何故か?」という対比した問い に答えることで,説明長を制限出来るのではないか? 一対他方式の決定木を学習することでこれを実現 19
20 全分類器で説明長が 短いことを実証 説明長 0 は A と B の間で説明の差異が見られないことを意味する
3. Laugel et al., Defining Locality for Surrogates in Post-hoc
Interpretablity Code: github.com/axadil/locality-interpretable-surrogate 局所性を適切に定義することで説明器の精度が向上したお話 21
22 LIME の問題点 分類器の局所的な決定境界 の近似に時折失敗
• b: black box classifier • s_x: explanation model 提案手法(LS:
Local Surrogate)の発想 分類器の決定境界の周辺で 訓練標本を生成すれば, 説明器の精度が向上するの ではないか? 23
24 説明器の精度を測るため, 局所忠実性の指標を導入 • Acc: AUC score • b: black
box classifier • s_x: explanation model LS が LIME に比べて 精度が高いことを実証
4. Collaris et al., Instance-Level Explanations for Fraud Detection: A
Case Study Achmea 社の保険金詐欺検出に 種々の説明手法を利用したお話 25
26 専門家の理解を促すため, ダッシュボードを作成 • Feature contribution [Palczewska et al., IEEE
IRI ‘14] • Partial dependence [Friedman, Ann. Statist. ‘01] • Local rule extraction [Deng, arXiv ‘14] 1. Rule ダッシュボードは専門家に特に好まれた 2. Partial dependence はあまりに単純であった 3. 説明の不一致は専門家の評価に影響しなかった 4. 欠損値や不均衡は予測の説明に大きく影響した
5. Alvarez-Melis & Jakkola, On the Robustness of Interpretability Methods
既存の説明手法の頑健性を測定したお話 27
28 LIME, SHAP の問題点 複雑なモデルの説明時に, 距離が近しい標本の間で 意味の異なる説明を提示
局所 Lipschitz の定義から 頑健性の指標を導入 • f: explanation model 29 低頑健
高頑健 LIME が他手法に比べて 頑健でないことを実証
5th Workshop on Fairness, Accountability, and Transparency in Machine Learning
(FAT/ML) Sunday, July 15, 2018 • 2 invited talks • 8 contributed talks • 20 posters の中から 1 つ紹介 30
31 何故そう判断した 複雑で君には 理解出来ない 君は信用出来ない 機械学習システム 利用者
1. Gajane & Pechenizkiy, On Formalizing Fairness in Prediction with
Machine Learning 社会科学の立場から種々の公平性を解説したお話 32
33
34 時間不足で資料作成が 間に合いませんでした 近いうちに続きを更新します
35 今, 公平性と 解釈可能性が熱い! • 現状は,定式化の合意形成の段階 • 法整備に伴い,急速に発展する見込み