論文の概要: Flexible Counterfactual Explanations with Generative Models

• arxiv url: http://arxiv.org/abs/2502.17613v1
• Date: Mon, 24 Feb 2025 20:01:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:19:03.830953
• Title: Flexible Counterfactual Explanations with Generative Models
• Title（参考訳）: 生成モデルによるフレキシブルな対実的説明
• Authors: Stig Hellemans, Andres Algaba, Sam Verboven, Vincent Ginis,
• Abstract要約: 本稿では, 対物テンプレートを組み込んだフレームワークであるFlexible Counterfactual Explanationsを紹介する。 FCEGANは、モデルの再トレーニングや追加の最適化を必要とせずに、ユーザー定義の制約と説明を一致させる。 経済的および医療的データセットにわたる実験により、FCEGANは対実的説明の有効性を著しく改善することが示された。
• 参考スコア（独自算出の注目度）: 1.3499500088995464
• License:
• Abstract: Counterfactual explanations provide actionable insights to achieve desired outcomes by suggesting minimal changes to input features. However, existing methods rely on fixed sets of mutable features, which makes counterfactual explanations inflexible for users with heterogeneous real-world constraints. Here, we introduce Flexible Counterfactual Explanations, a framework incorporating counterfactual templates, which allows users to dynamically specify mutable features at inference time. In our implementation, we use Generative Adversarial Networks (FCEGAN), which align explanations with user-defined constraints without requiring model retraining or additional optimization. Furthermore, FCEGAN is designed for black-box scenarios, leveraging historical prediction datasets to generate explanations without direct access to model internals. Experiments across economic and healthcare datasets demonstrate that FCEGAN significantly improves counterfactual explanations' validity compared to traditional benchmark methods. By integrating user-driven flexibility and black-box compatibility, counterfactual templates support personalized explanations tailored to user constraints.
• Abstract（参考訳）: 対実的な説明は、入力機能への最小限の変更を提案することによって、望ましい結果を達成するための実用的な洞察を提供する。 しかし、既存の手法は不変な特徴の固定セットに依存しており、不均一な現実世界の制約のあるユーザーには非フレキシブルな説明が可能である。 本稿では,逆ファクトテンプレートを組み込んだフレームワークであるFlexible Counterfactual Explanationsを紹介する。 本実装では、モデルの再トレーニングや追加最適化を必要とせず、説明とユーザ定義制約を整合させるFCEGAN(Generative Adversarial Networks)を用いている。 さらに、FCEGANはブラックボックスシナリオ用に設計されており、過去の予測データセットを利用してモデル内部に直接アクセスせずに説明を生成する。 経済と医療のデータを用いた実験では、FCEGANは従来のベンチマーク手法と比較して、対実的な説明の有効性を著しく改善することが示された。 ユーザ主導の柔軟性とブラックボックスの互換性を統合することで、カウンターファクトテンプレートはユーザ制約に合わせてパーソナライズされた説明をサポートする。

関連論文リスト

• G-Refer: Graph Retrieval-Augmented Large Language Model for Explainable Recommendation [48.23263809469786]
  本稿では,グラフ検索拡張大言語モデル (LLM) を用いた提案手法を提案する。 G-Referは、説明可能性と安定性の両方において既存の手法と比較して優れた性能を達成する。
  論文  参考訳（メタデータ） (2025-02-18T06:42:38Z)
• Interpret the Internal States of Recommendation Model with Sparse Autoencoder [26.021277330699963]
  RecSAEは、レコメンデーションモデルの内部状態を解釈するための、自動で一般化可能な探索手法である。 我々は、推薦モデルの内部アクティベーションを再構築するために、疎度制約付きオートエンコーダを訓練する。 我々は、潜在活性化と入力項目列の関係に基づき、概念辞書の構築を自動化した。
  論文  参考訳（メタデータ） (2024-11-09T08:22:31Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• 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)
• LaPLACE: Probabilistic Local Model-Agnostic Causal Explanations [1.0370398945228227]
  本稿では,機械学習モデルに対する確率論的原因・効果説明を提供するLaPLACE-Explainerを紹介する。 LaPLACE-Explainerコンポーネントはマルコフ毛布の概念を利用して、関連する特徴と非関連する特徴の間の統計的境界を確立する。 提案手法は,LIME と SHAP の局所的精度と特徴の整合性の観点から,因果的説明と性能を向上する。
  論文  参考訳（メタデータ） (2023-10-01T04:09:59Z)
• Flexible and Robust Counterfactual Explanations with Minimal Satisfiable Perturbations [56.941276017696076]
  我々は、最小満足度摂動(CEMSP)を用いた対実的説明法という概念的に単純だが効果的な解を提案する。 CEMSPは、意味論的に意味のある正常範囲の助けを借りて、異常な特徴の値を変更することを制限している。 既存の手法と比較して、我々は合成データセットと実世界のデータセットの両方で包括的な実験を行い、柔軟性を維持しつつ、より堅牢な説明を提供することを示した。
  論文  参考訳（メタデータ） (2023-09-09T04:05:56Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• CARE: Coherent Actionable Recourse based on Sound Counterfactual Explanations [0.0]
  本稿では,モデルおよびユーザレベルのデシダータに対処するモジュール型説明フレームワークであるCAREを紹介する。 モデルに依存しないアプローチとして、CAREはブラックボックスモデルに対して複数の多様な説明を生成する。
  論文  参考訳（メタデータ） (2021-08-18T15:26:59Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)

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。