論文の概要: The Effect of Similarity Measures on Accurate Stability Estimates for Local Surrogate Models in Text-based Explainable AI

• arxiv url: http://arxiv.org/abs/2406.15839v2
• Date: Fri, 17 Jan 2025 16:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:57:54.629881
• Title: The Effect of Similarity Measures on Accurate Stability Estimates for Local Surrogate Models in Text-based Explainable AI
• Title（参考訳）: テキストベース説明可能なAIにおける局所サロゲートモデルの精度安定度に及ぼす類似度の影響
• Authors: Christopher Burger, Charles Walter, Thai Le,
• Abstract要約: 類似度尺度の貧弱な選択は、XAI法の有効性に関する誤った結論につながる可能性がある。 我々は、ケンドールのタウ、スピアマンのフットルル、ランクバイアスオーバーラップなど、テキストベースのランクリスト用に設計された様々な類似度尺度について検討する。
• 参考スコア（独自算出の注目度）: 8.23094630594374
• License:
• Abstract: Recent work has investigated the vulnerability of local surrogate methods to adversarial perturbations on a machine learning (ML) model's inputs, where the explanation is manipulated while the meaning and structure of the original input remains similar under the complex model. Although weaknesses across many methods have been shown to exist, the reasons behind why remain little explored. Central to the concept of adversarial attacks on explainable AI (XAI) is the similarity measure used to calculate how one explanation differs from another. A poor choice of similarity measure can lead to erroneous conclusions on the efficacy of an XAI method. Too sensitive a measure results in exaggerated vulnerability, while too coarse understates its weakness. We investigate a variety of similarity measures designed for text-based ranked lists, including Kendall's Tau, Spearman's Footrule, and Rank-biased Overlap to determine how substantial changes in the type of measure or threshold of success affect the conclusions generated from common adversarial attack processes. Certain measures are found to be overly sensitive, resulting in erroneous estimates of stability.
• Abstract（参考訳）: 最近の研究は、機械学習(ML)モデルの入力に対する対向的摂動に対する局所的代理法(英語版)の脆弱性について検討している。 多くの方法にまたがる弱点が存在することが示されているが、その理由の背景には研究がほとんど残っていない。 説明可能なAI(XAI)に対する敵対的攻撃の概念の中心は、ある説明が別の説明とどのように異なるかを計算するのに使用される類似度尺度である。 類似度尺度の貧弱な選択は、XAI法の有効性に関する誤った結論につながる可能性がある。 過度に敏感な測定は過大な脆弱性をもたらすが、過度に弱さを減らしている。 そこで本研究では,Kendall's Tau,Spearman's Footrule,Ranc-biased Overlapなど,テキストベースランキングに設計された類似度尺度について検討した。 ある種の測定は過度に敏感であることが判明し、誤った安定性の見積がもたらされる。

関連論文リスト

• Improving Stability Estimates in Adversarial Explainable AI through Alternate Search Methods [0.0]
  局所代理法は複雑な機械学習モデルの動作を近似するために使われてきた。 最近の研究は、生成した説明が著しく異なる敵攻撃に対する脆弱性を明らかにしている。 本稿では,最小限の摂動の探索を目的とした代替探索手法について検討する。
  論文  参考訳（メタデータ） (2025-01-15T18:45:05Z)
• Towards Robust and Accurate Stability Estimation of Local Surrogate Models in Text-based Explainable AI [9.31572645030282]
  NLP領域における説明可能なAI(XAI)に対する敵攻撃では、生成された説明が操作される。 このXAI操作の中心は、ある説明が他の説明とどのように異なるかを計算するのに使用される類似度尺度である。 本研究は,テキストベースのランキングリストを対象とした類似度尺度について検討し,その使用適性について検討した。
  論文  参考訳（メタデータ） (2025-01-03T17:44:57Z)
• Improving Robustness Estimates in Natural Language Explainable AI though Synonymity Weighted Similarity Measures [0.0]
  敵の例は、XAIの有効性を取り巻く文献で顕著である。 自然言語による説明については,情報検索の領域で見られる尺度をランク付けされたリストで用いるのが自然である。 これらの尺度の標準実装は、敵のXAIにおける説明の比較にはあまり適していないことを示す。
  論文  参考訳（メタデータ） (2025-01-02T19:49:04Z)
• Uncertainty in Additive Feature Attribution methods [34.80932512496311]
  本稿では,付加的特徴帰属説明法のクラスに焦点をあてる。 特徴の属性と不確実性との関係を考察し,相関関係をほとんど観察しない。 このようなインスタンスに対して"stable instance"という用語を作り、インスタンスを安定させる要因を診断します。
  論文  参考訳（メタデータ） (2023-11-29T08:40:46Z)
• Causal Fair Metric: Bridging Causality, Individual Fairness, and Adversarial Robustness [7.246701762489971]
  モデル内の脆弱性の特定や、類似した個人を公平に扱うことを目的とした個々の公正性に使用される対向的摂動は、どちらも同等の入力データインスタンスを生成するためのメトリクスに依存している。 このような共同メトリクスを定義する以前の試みは、データや構造因果モデルに関する一般的な仮定を欠くことが多く、反事実的近接を反映できなかった。 本稿では, 因果的属性と保護された因果的摂動を含む因果的構造に基づいて定式化された因果的公正度について紹介する。
  論文  参考訳（メタデータ） (2023-10-30T09:53:42Z)
• An Experimental Investigation into the Evaluation of Explainability Methods [60.54170260771932]
  この研究は、9つの最先端XAI法と3つのダミー法(例えば、ランダム・サリエンシ・マップ)に適用された14の異なるメトリクスを比較した。 実験の結果、これらの指標のどれが高い相関関係を示し、潜在的な冗長性を示している。
  論文  参考訳（メタデータ） (2023-05-25T08:07:07Z)
• In and Out-of-Domain Text Adversarial Robustness via Label Smoothing [64.66809713499576]
  多様なNLPタスクの基本モデルにおいて,ラベルの平滑化戦略によって提供される対角的ロバスト性について検討する。 実験の結果,ラベルのスムース化は,BERTなどの事前学習モデルにおいて,様々な攻撃に対して,逆方向の堅牢性を大幅に向上させることがわかった。 また,予測信頼度とロバスト性の関係を解析し,ラベルの平滑化が敵の例に対する過度な信頼誤差を減少させることを示した。
  論文  参考訳（メタデータ） (2022-12-20T14:06:50Z)
• Improving Adversarial Robustness to Sensitivity and Invariance Attacks with Deep Metric Learning [80.21709045433096]
  対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。 距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。 予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
  論文  参考訳（メタデータ） (2022-11-04T13:54:02Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• Detecting Word Sense Disambiguation Biases in Machine Translation for Model-Agnostic Adversarial Attacks [84.61578555312288]
  本稿では,統計的データ特性に基づく曖昧な誤りの予測手法を提案する。 我々は,曖昧な誤りを生じさせるため,文の摂動を最小限に抑える,単純な敵攻撃戦略を開発する。 以上の結果から,曖昧さの堅牢性はドメイン間で大きく異なり,同一データ上でトレーニングされた異なるモデルが異なる攻撃に対して脆弱であることが示唆された。
  論文  参考訳（メタデータ） (2020-11-03T17:01:44Z)
• Fundamental Tradeoffs between Invariance and Sensitivity to Adversarial Perturbations [65.05561023880351]
  敵の例は誤分類を引き起こすために作られた悪意のある入力である。 本稿では, 相補的障害モード, 不変性に基づく逆数例について検討する。 感度に基づく攻撃に対する防御は、不変性に基づく攻撃に対するモデルの精度を積極的に損なうことを示す。
  論文  参考訳（メタデータ） (2020-02-11T18:50:23Z)

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。