論文の概要: The Intriguing Relation Between Counterfactual Explanations and Adversarial Examples

• arxiv url: http://arxiv.org/abs/2009.05487v3
• Date: Thu, 26 Aug 2021 08:40:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 20:48:20.515345
• Title: The Intriguing Relation Between Counterfactual Explanations and Adversarial Examples
• Title（参考訳）: 対実的説明と対立事例の関係
• Authors: Timo Freiesleben
• Abstract要約: 我々は、真のラベルとの関係と近接性に対する寛容性は、CEとAEを正式に区別する2つの性質であると主張する。 CEを生成するための現在のメソッドとAEのコネクションを示し、共通ユースケースの数が増えるにつれて、フィールドがますますマージされていくと推定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The same method that creates adversarial examples (AEs) to fool image-classifiers can be used to generate counterfactual explanations (CEs) that explain algorithmic decisions. This observation has led researchers to consider CEs as AEs by another name. We argue that the relationship to the true label and the tolerance with respect to proximity are two properties that formally distinguish CEs and AEs. Based on these arguments, we introduce CEs, AEs, and related concepts mathematically in a common framework. Furthermore, we show connections between current methods for generating CEs and AEs, and estimate that the fields will merge more and more as the number of common use-cases grows.
• Abstract（参考訳）: 画像分類器を騙すための逆例(AE)を生成するのと同じ手法は、アルゴリズム的な決定を説明する反実的説明(CE)を生成するのに使うことができる。 この観察により、研究者はCEを別の名前でAEsと考えるようになった。 我々は、真のラベルとの関係と近接性に対する寛容性は、CEとAEを正式に区別する2つの性質であると主張する。 これらの議論に基づいて、CE、AE、および関連する概念を数学的に共通の枠組みで導入する。 さらに, CE と AE の生成方法の関連性を示すとともに, 共通ユースケースの数が増えるにつれて, フィールドがますます合併していくことを推定する。

関連論文リスト

• Rethinking Distance Metrics for Counterfactual Explainability [53.436414009687]
  本研究では, 反事実を参照領域から独立して引き出すのではなく, 基礎となるデータ分布からの参照と共同してサンプリングする, 反事実生成手法のフレーミングについて検討する。 我々は、幅広い設定に適用可能な、反ファクト的な類似性のために調整された距離メートル法を導出する。
  論文  参考訳（メタデータ） (2024-10-18T15:06:50Z)
• Applying Attribution Explanations in Truth-Discovery Quantitative Bipolar Argumentation Frameworks [18.505289553533164]
  AAE(Argument Attribution Explanations)とRAE(Relation Attribution Explanations)は、段階的意味論の下での議論の強さを説明するために用いられる。 AAEとRAEをTruth Discovery QBAFに適用し、ソースとそのクレームの信頼性を評価する。 AAEとRAEの両方が興味深い説明を提供し、非自明で驚くべき洞察を与えることができることがわかりました。
  論文  参考訳（メタデータ） (2024-09-09T17:36:39Z)
• CausalConceptTS: Causal Attributions for Time Series Classification using High Fidelity Diffusion Models [1.068128849363198]
  特定の分類結果に対する概念の因果効果を評価するための新しい枠組みを提案する。 我々は、現状の拡散に基づく生成モデルを利用して、反現実的な結果を推定する。 我々のアプローチは、これらの因果属性と、理論的にも経験的にも、密接に関連する関連属性を比較する。
  論文  参考訳（メタデータ） (2024-05-24T18:33:18Z)
• Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
  対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。 UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。 UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
  論文  参考訳（メタデータ） (2024-02-26T20:09:44Z)
• What Makes Entities Similar? A Similarity Flooding Perspective for Multi-sourced Knowledge Graph Embeddings [20.100378168629195]
  我々は、既存の翻訳ベースおよび集約ベースのEAモデルを説明するために、類似性洪水の観点を提供する。 これらのモデルの埋め込み学習プロセスは、実際にエンティティ間のペアの類似性の固定点を求める。
  論文  参考訳（メタデータ） (2023-06-05T06:50:09Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• Duality-Induced Regularizer for Semantic Matching Knowledge Graph Embeddings [70.390286614242]
  本稿では, 類似のセマンティクスを持つエンティティの埋め込みを効果的に促進する新しい正規化器(duality-induced RegulArizer (DURA))を提案する。 実験により、DURAは、最先端のセマンティックマッチングモデルの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2022-03-24T09:24:39Z)
• Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
  経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。 エージェントの好みを学習するためのオンライン学習機構を提案する。 数値シミュレーションにより,本機構の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-11T21:32:17Z)
• Influence-Driven Explanations for Bayesian Network Classifiers [16.708069984516964]
  離散ネットワークベイズ分類器(BC)の解説に焦点をあてる。 本稿では,入力変数や出力変数だけでなく,中間変数を記述に含むbcsに対する影響駆動説明(idxs)を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:00:51Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。