論文の概要: Generating Counterfactual Explanations Under Temporal Constraints

• arxiv url: http://arxiv.org/abs/2503.01792v1
• Date: Mon, 03 Mar 2025 18:22:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:19:35.925246
• Title: Generating Counterfactual Explanations Under Temporal Constraints
• Title（参考訳）: 時間制約下での対実的説明の生成
• Authors: Andrei Buliga, Chiara Di Francescomarino, Chiara Ghidini, Marco Montali, Massimiliano Ronzani,
• Abstract要約: 本稿では,プロセストレース上での線形時間論理で表される背景知識に従うことを保証する,時間的制約のある反事実を生成する新しい手法を提案する。 生成されたカウンターファクトは、時間的依存関係を含むアプリケーションに対して、時間的意味を持ち、より解釈可能である。
• 参考スコア（独自算出の注目度）: 16.07619239510696
• License:
• Abstract: Counterfactual explanations are one of the prominent eXplainable Artificial Intelligence (XAI) techniques, and suggest changes to input data that could alter predictions, leading to more favourable outcomes. Existing counterfactual methods do not readily apply to temporal domains, such as that of process mining, where data take the form of traces of activities that must obey to temporal background knowledge expressing which dynamics are possible and which not. Specifically, counterfactuals generated off-the-shelf may violate the background knowledge, leading to inconsistent explanations. This work tackles this challenge by introducing a novel approach for generating temporally constrained counterfactuals, guaranteed to comply by design with background knowledge expressed in Linear Temporal Logic on process traces (LTLp). We do so by infusing automata-theoretic techniques for LTLp inside a genetic algorithm for counterfactual generation. The empirical evaluation shows that the generated counterfactuals are temporally meaningful and more interpretable for applications involving temporal dependencies.
• Abstract（参考訳）: カウンターファクトな説明は、XAI(eXplainable Artificial Intelligence)テクニックの傑出した1つであり、予測を変える可能性のある入力データの変更を提案し、より好ましい結果をもたらす。 既存のカウンターファクトの手法は、プロセスマイニングのような時間的領域では簡単には適用できない。 特に、棚外で生成された反事実は、背景知識に反する可能性があり、矛盾した説明につながる。 この研究は、プロセストレース(LTLp)上の線形時間論理で表される背景知識による設計に従うことを保証した、時間的に制約された反事実を生成する新しいアプローチを導入することで、この問題に対処する。 我々は,LTLpのオートマタ理論的手法を,逆ファクト生成のための遺伝的アルゴリズム内に注入することで実現している。 経験的評価は、生成した反事実が時間的依存を伴うアプリケーションに対して時間的意味を持ち、より解釈可能であることを示している。

関連論文リスト

• Directed Exploration in Reinforcement Learning from Linear Temporal Logic [59.707408697394534]
  リニア時間論理(LTL)は強化学習におけるタスク仕様のための強力な言語である。 合成された報酬信号は基本的に疎結合であり,探索が困難であることを示す。 我々は、仕様をさらに活用し、それに対応するリミット決定性B"uchi Automaton(LDBA)をマルコフ報酬プロセスとしてキャストすることで、よりよい探索を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-08-18T14:25:44Z)
• Guiding the generation of counterfactual explanations through temporal background knowledge for Predictive Process Monitoring [13.610101763172452]
  我々は,XAIのドメインにおいて,実行時の一連の時間的制約を検討するために,対実生成のための最先端技術を適用した。 本稿では,時間的背景知識を取り入れることで,時間的背景知識に適合した反事実の生成が可能になることを示す。
  論文  参考訳（メタデータ） (2024-03-18T10:34:40Z)
• Generating Feasible and Plausible Counterfactual Explanations for Outcome Prediction of Business Processes [45.502284864662585]
  データ駆動型アプローチであるREVISEDplusを導入し、妥当な対実的説明を生成する。 まず, プロセスデータの高密度領域内に存在する反ファクトデータを生成するために, 反ファクトアルゴリズムを限定する。 また、プロセスケースにおけるアクティビティ間のシーケンシャルなパターンを学習することで、妥当性を保証します。
  論文  参考訳（メタデータ） (2024-03-14T09:56:35Z)
• Nature-Inspired Local Propagation [68.63385571967267]
  自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。 ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。 これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
  論文  参考訳（メタデータ） (2024-02-04T21:43:37Z)
• CaRiNG: Learning Temporal Causal Representation under Non-Invertible Generation Process [22.720927418184672]
  非可逆生成時間データのCAusal RepresentatIonを同一性保証付きで学習するための原則的アプローチを提案する。 具体的には、時間的文脈を利用して失われた潜伏情報を復元し、この理論の条件を適用してトレーニングプロセスの指導を行う。
  論文  参考訳（メタデータ） (2024-01-25T22:01:07Z)
• Instructed Diffuser with Temporal Condition Guidance for Offline Reinforcement Learning [71.24316734338501]
  テンポラリ・コンポラブル・ディフューザ(TCD)を用いた実効時間条件拡散モデルを提案する。 TCDは、相互作用シーケンスから時間情報を抽出し、時間条件で生成を明示的にガイドする。 提案手法は,従来のSOTAベースラインと比較して最高の性能を達成または一致させる。
  論文  参考訳（メタデータ） (2023-06-08T02:12:26Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)
• DA-DGCEx: Ensuring Validity of Deep Guided Counterfactual Explanations With Distribution-Aware Autoencoder Loss [0.0]
  ディープラーニングモデルは、解釈可能性の欠如により、しばしばブラックボックスと見なされる。 本稿では,DA-DGCEx(Deep Guided Counterfactual Explanations)について述べる。 DGCExのコスト関数に、分散の反ファクトなインスタンスからペナルティを課す用語を追加する。
  論文  参考訳（メタデータ） (2021-04-19T05:44:18Z)
• Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
  本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。 我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。 主アルゴリズムの正確性と収束性を保証する。
  論文  参考訳（メタデータ） (2021-02-01T01:13:03Z)

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。