論文の概要: VARSHAP: Addressing Global Dependency Problems in Explainable AI with Variance-Based Local Feature Attribution

• arxiv url: http://arxiv.org/abs/2506.07229v1
• Date: Sun, 08 Jun 2025 17:26:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.721401
• Title: VARSHAP: Addressing Global Dependency Problems in Explainable AI with Variance-Based Local Feature Attribution
• Title（参考訳）: VARSHAP: 変数に基づく局所的特徴属性を持つ説明可能なAIにおけるグローバル依存問題に対処する
• Authors: Mateusz Gajewski, Mikołaj Morzy, Adam Karczmarz, Piotr Sankowski,
• Abstract要約: SHAPのような既存の特徴属性法は、しばしばグローバルな依存に悩まされ、真のローカルモデルの振る舞いを捉えられなかった。 本稿では,特徴の重要度として,予測分散の低減を利用したモデルに依存しない新しい局所特徴属性法であるVARSHAPを紹介する。
• 参考スコア（独自算出の注目度）: 3.545940115969205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing feature attribution methods like SHAP often suffer from global dependence, failing to capture true local model behavior. This paper introduces VARSHAP, a novel model-agnostic local feature attribution method which uses the reduction of prediction variance as the key importance metric of features. Building upon Shapley value framework, VARSHAP satisfies the key Shapley axioms, but, unlike SHAP, is resilient to global data distribution shifts. Experiments on synthetic and real-world datasets demonstrate that VARSHAP outperforms popular methods such as KernelSHAP or LIME, both quantitatively and qualitatively.
• Abstract（参考訳）: SHAPのような既存の特徴属性法は、しばしばグローバルな依存に悩まされ、真のローカルモデルの振る舞いを捉えられなかった。 本稿では,特徴の重要度として,予測分散の低減を利用したモデルに依存しない新しい局所特徴属性法であるVARSHAPを紹介する。 Shapleyのバリューフレームワーク上に構築されたVARSHAPは、Shapleyの主要な公理を満たすが、SHAPとは異なり、グローバルなデータ分散シフトに対して回復力がある。 VARSHAPは、KernelSHAPやLIMEといった一般的な手法よりも、定量的にも質的にも優れていることを示した。

関連論文リスト

• Linguistic Fuzzy Information Evolution with Random Leader Election Mechanism for Decision-Making Systems [58.67035332062508]
  言語ファジィ情報進化はエージェント間の情報交換を理解する上で重要である。 エージェントの重みの違いは、古典的なDeGrootモデルにおいて異なる収束結果をもたらす可能性がある。 本稿では,言語ファジィ情報力学の新しい3つのモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-19T18:15:24Z)
• An Efficient Framework for Crediting Data Contributors of Diffusion Models [13.761241561734547]
  本稿では,Shapley値推定のための推論を効率的に再学習し,再実行する手法を提案する。 CIFARデータセットで訓練されたDDPMの画像品質,CelebA-HQで訓練されたLCMの人口統計学的多様性,そして, (iii) 印象主義後のアートワークで修正された安定拡散モデルLoRAの審美的品質,の3つのユースケースで本手法の有用性を評価した。
  論文  参考訳（メタデータ） (2024-06-09T17:42:09Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Feature-Distribution Perturbation and Calibration for Generalized Person ReID [47.84576229286398]
  人物再識別(ReID)は、視覚認識のためのディープラーニングの急速な発展とともに、過去10年間で著しく進歩してきた。 本稿では,人物ReIDの一般的な特徴表現を導出する特徴分布摂動一般化法を提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:06:12Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• Self-balanced Learning For Domain Generalization [64.99791119112503]
  ドメインの一般化は、モデルが未知の統計を持つ対象のドメインに一般化できるように、マルチドメインのソースデータの予測モデルを学ぶことを目的としている。 既存のアプローチのほとんどは、ソースデータがドメインとクラスの両方の観点からバランスよく調整されているという前提の下で開発されている。 本稿では,多領域ソースデータの分布の違いによるバイアスを軽減するために,損失の重み付けを適応的に学習する自己均衡型領域一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T03:17:54Z)
• On Locality of Local Explanation Models [0.43012765978447565]
  本稿では,シェープリー値の局所的解釈性を向上させる近傍参照分布の定式化について考察する。 我々は,近隣シェープの値が,局所モデル行動の洞察を与える意味的なスパース特徴関連属性を同定するのを観察する。
  論文  参考訳（メタデータ） (2021-06-24T16:20:38Z)

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。