PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2511.04000v2cs.LG

합성 모델 생성을 통한 거의 최적인 해석 가능 모델의 확장 가능한 메타러닝을 향하여

Towards Scalable Meta-Learning of near-optimal Interpretable Models via Synthetic Model Generations

결정 트리(decision tree)는 해석 가능성 덕분에 금융 및 의료와 같이 위험도가 높은 분야에서 널리 사용된다. 본 연구는 결정 트리의 메타러닝(meta-learning)을 가능하게 하는 합성 사전학습 데이터를 생성하는 효율적이고 확장 가능한 방법을 소개한다. 우리의 접근법은 거의 최적인 결정 트리를 합성적으로 샘플링하여 대규모의 현실적인 데이터셋을 생성한다. MetaTree 트랜스포머 아키텍처를 사용하여, 우리는 이 방법이 실제 데이터로 사전학습하거나 계산 비용이 큰 최적 결정 트리를 사용하는 것과 비교할 만한 성능을 달성함을 보인다. 이 전략은 계산 비용을 크게 줄이고, 데이터 생성의 유연성을 향상시키며, 해석 가능한 결정 트리 모델에 대한 확장 가능하고 효율적인 메타러닝으로 가는 길을 연다.

arXiv:2606.24348v1cs.CE

의사결정 지원을 위한 본질적으로 해석 가능한 인과적 머신러닝 모델을 향한 한 걸음

A Step Towards Inherently Interpretable Causal Machine Learning Models For Decision Support

다양한 분야에서 의사결정에 대한 머신러닝 의존도가 높아짐에 따라 모델 투명성과 해석 가능성의 중요성이 부각되고 있다. 기존의 사후(post hoc) 설명 가능성 방법과 본질적으로 해석 가능한 접근법은 모델 동작에 대한 통찰을 제공하지만, 이들은 주로 예측 태스크에서 성능을 극대화하기 위해 모델이 상관관계를 어떻게 활용하는지를 드러내는 데 그친다. 그러나 많은 의사결정 상황에서는 인과적 통찰과 가상 시나리오(what-if) 평가를 위한 모델 활용 가능성이 요구된다. 이를 해결하기 위해, 우리는 횡단면 데이터(cross-sectional data)에 대해 인과적 머신러닝과 본질적으로 해석 가능한 모델을 통합하는 방법을 제안한다. 우리는 이러한 방법들을 예측 정확도와 해석 가능성 측면에서 평가한다. 연구 결과, 제안된 접근법은 예측 및 가상 시나리오 분석에서 경쟁력 있는 성능을 달성하는 동시에, 시스템 구조, 변수 간 인과 관계, 그리고 이를 연결하는 함수적 형태에 대한 투명성을 제공하는 것으로 나타났다. 본 연구는 인과성, 머신러닝 해석 가능성, 데이터 기반 의사결정 지원 분야의 연구에 기여하며, 정보에 기반하고 투명하며 인과적으로 근거 있는 의사결정을 제시한다.