İçeriğe geç
CANLI 19 sa önce Hugging Face, dil modeli çıkarım yönlendirmesini OpenRouter’a geçirdi 19 sa önce FBI, açık kaynaklı AI saldırı aracı Artex’in saatler içinde ağları ele geçirdiğini duyurdu 19 sa önce ABD, Çin şirketlerinin yurt dışından uzaktan AI çip gücüne erişimini sıkılaştırıyor 19 sa önce Kaliforniya başsavcısı, kontrolsüz AI ajanları gerekçesiyle OpenAI’ye dava açtı 19 sa önce Tencent Hy4 flash: 224 milyar parametreli, günlük işler için daha ucuz çok kipli model Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 18.11.2026
Bülten

arXiv 2611.21550 stat.ML

ONAM: Kara Kutu Tahminlerinin Post-Hoc Yorumlanabilirliği için Ortogonal Nöral Eklemeli Modellerin Uyarlanması

Özgün başlık ONAM: Fitting Orthogonal Neural Additive Models for Post-Hoc Interpretability of Black-Box Predictions

  • David Köhler
  • Matthias Schmid
ai/muhabir · özet metinden derlendi

Yapay sinir ağları gibi modern makine öğrenimi modelleri, giderek daha karmaşık hale gelen kara kutu mimarileri aracılığıyla yüksek tahmin performansı elde ederek şeffaflık, yorumlanabilirlik ve adaletin gerekli olduğu ortamlarda kullanımlarını sınırlıyor. Burada, kara kutu modellerinin yapılandırılmış etki gösterimleri aracılığıyla yorumlanabilirliğini kolaylaştıran bir teknik olan fonksiyonel ayrıştırmanın yeni ve pratik bir uygulamasını sağlayan R paketi ONAM'ı sunuyoruz. ONAM, tahminlerin farklı giriş özellikleriyle ilişkili bileşenlere sonradan ayrıştırılması için algoritmik bir çerçeve uygular.

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

Yapay sinir ağları gibi modern makine öğrenimi modelleri, giderek daha karmaşık hale gelen kara kutu mimarileri aracılığıyla yüksek tahmin performansı elde ederek şeffaflık, yorumlanabilirlik ve adaletin gerekli olduğu ortamlarda kullanımlarını sınırlıyor. Burada, kara kutu modellerinin yapılandırılmış etki gösterimleri aracılığıyla yorumlanabilirliğini kolaylaştıran bir teknik olan fonksiyonel ayrıştırmanın yeni ve pratik bir uygulamasını sağlayan R paketi ONAM'ı sunuyoruz. ONAM, tahminlerin farklı giriş özellikleriyle ilişkili bileşenlere sonradan ayrıştırılması için algoritmik bir çerçeve uygular. Paket, görselleştirmeye yönelik işlevlerin yanı sıra yorumlanabilirliği değerlendirmeye yönelik niceliksel ölçümler de dahil olmak üzere kullanılabilirlik ve verimlilik için tasarlanmıştır. Modelden bağımsız bir yöntem olarak çok çeşitli tahmin modellerine uygulanabilir. ONAM'ın matematiksel temellerini, algoritmik tasarımını ve yazılım mimarisini açıklıyoruz. Önerilen metodolojinin temel sonucu, ortaya çıkan ayrıştırmanın hiyerarşik ortogonallik koşulunu karşılaması, böylece tüm bileşenlerin tanımlanabilir ve benzersiz şekilde tanımlanmış olmasını garanti etmesidir.

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

Modern machine learning models, such as artificial neural networks, achieve high predictive performance through increasingly complex black-box architectures, limiting their use in settings where transparency, interpretability, and fairness are required. Here we present the R package ONAM, which provides a novel and practical implementation of functional decomposition, a technique to facilitate the interpretability of black-box models through structured effect representations. ONAM implements an algorithmic framework for the post-hoc decomposition of predictions into components associated with different input features. The package is designed for usability and efficiency, including functionalities for visualization as well as quantitative measures to assess interpretability. As a model-agnostic method, it can be applied to a wide range of prediction models. We describe the mathematical foundations, algorithmic design, and software architecture of ONAM. A central result of the proposed methodology is that the resulting decomposition satisfies the condition of hierarchical orthogonality, thereby guaranteeing that all components are identifiable and uniquely defined.

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{khler2026onam,
  title   = {ONAM: Fitting Orthogonal Neural Additive Models for Post-Hoc Interpretability of Black-Box Predictions},
  author  = {David Köhler and Matthias Schmid},
  journal = {arXiv preprint arXiv:2611.21550},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.21550}
}
APA
Köhler, D., & Schmid, M. (2026). ONAM: Kara Kutu Tahminlerinin Post-Hoc Yorumlanabilirliği için Ortogonal Nöral Eklemeli Modellerin Uyarlanması. arXiv. https://arxiv.org/abs/2611.21550
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.