論文の概要: TaylorPODA: A Taylor Expansion-Based Method to Improve Post-Hoc Attributions for Opaque Models

• arxiv url: http://arxiv.org/abs/2507.10643v3
• Date: Tue, 05 Aug 2025 16:03:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 15:23:34.580209
• Title: TaylorPODA: A Taylor Expansion-Based Method to Improve Post-Hoc Attributions for Opaque Models
• Title（参考訳）: TaylorPODA:不透明モデルに対するポストホック属性を改善するTaylor拡張ベースの方法
• Authors: Yuchi Tang, Iñaki Esnaola, George Panoutsos,
• Abstract要約: 既存のポストホックモデルに依存しない手法は、不透明なモデルに対する外部説明を生成する。 本稿では,Taylor項固有の属性を管理するために,厳密な仮定,すなわち「精度」,「フィード」,「ゼロ差分性」を提案する。
• 参考スコア（独自算出の注目度）: 1.253514894229043
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing post-hoc model-agnostic methods generate external explanations for opaque models, primarily by locally attributing the model output to its input features. However, they often lack an explicit and systematic framework for quantifying the contribution of individual features. Building on the Taylor expansion framework introduced by Deng et al. (2024) to unify existing local attribution methods, we propose a rigorous set of postulates -- "precision", "federation", and "zero-discrepancy" -- to govern Taylor term-specific attribution. Guided by these postulates, we introduce TaylorPODA (Taylor expansion-derived imPortance-Order aDapted Attribution), which incorporates an additional "adaptation" property. This property enables alignment with task-specific goals, especially in post-hoc settings lacking ground-truth explanations. Empirical evaluations demonstrate that TaylorPODA achieves competitive results against baseline methods, providing principled and visualization-friendly explanations. This work enhances the trustworthy deployment of opaque models by offering explanations with stronger theoretical grounding.
• Abstract（参考訳）: 既存のポストホックモデルに依存しない手法は、主にモデル出力をその入力特徴に局所的帰属させることにより、不透明モデルに対する外部説明を生成する。 しかしながら、個々の機能の貢献を定量化するための明示的で体系的なフレームワークが欠如していることが多い。 The Taylor expansion framework introduced by Deng et al (2024) to unified existing local attribution method, we propose a rigorous set of postulates -- "precision", "federation", and "zerodiscrepancy" -- to governance Taylor term-specific attribution。 これらの仮定で導かれたTaylor PODA (Taylor expansion- derived imPortance-Order aDapted Attribution) を導入する。 この特性はタスク固有の目標、特に地味な説明を欠いたポストホック環境でのアライメントを可能にする。 実証的な評価は、TaylorPODAがベースライン法と競合する結果を達成し、原則的で視覚化しやすい説明を提供することを示している。 この研究は、より強力な理論的根拠を持つ説明を提供することにより、不透明なモデルの信頼性の高い展開を促進する。

関連論文リスト

• CTRLS: Chain-of-Thought Reasoning via Latent State-Transition [57.51370433303236]
  チェーン・オブ・シント(CoT)推論は、大規模な言語モデルで複雑な問題を解釈可能な中間ステップに分解することを可能にする。 我々は,遅延状態遷移を伴うマルコフ決定プロセス(MDP)としてCoT推論を定式化するフレームワークであるgroundingSを紹介する。 我々は、ベンチマーク推論タスクにおける推論精度、多様性、探索効率の改善を示す。
  論文  参考訳（メタデータ） (2025-07-10T21:32:18Z)
• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• Lifted Model Checking for Relational MDPs [12.574454799055026]
  pCTL-REBELは、リレーショナルMDP上のpCTL特性を検証するためのリフトモデルチェック手法である。 pCTLモデル検査手法は, 無限領域であっても, リレーショナルMDPに対して決定可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-22T13:12:36Z)
• A General Taylor Framework for Unifying and Revisiting Attribution Methods [36.34893316038053]
  本稿では,その帰属問題を連立における個人報酬の決定方法としてモデル化したTaylor Attributionフレームワークを提案する。 我々はTaylor属性フレームワークにおいて、良い属性の3つの原則を確立する。
  論文  参考訳（メタデータ） (2021-05-28T13:57:16Z)
• An Identifiable Double VAE For Disentangled Representations [24.963285614606665]
  本稿では, 識別可能性に関する理論的保証を備えた, VAEに基づく新しい生成モデルを提案する。 我々は,最適表現を学習することで,潜伏者に対する条件付き事前情報を得る。 実験結果は,最先端のアプローチに対して優れた性能を示す。
  論文  参考訳（メタデータ） (2020-10-19T09:59:31Z)
• A Unified Taylor Framework for Revisiting Attribution Methods [49.03783992773811]
  我々はTaylor属性フレームワークを提案し、7つの主流属性メソッドをフレームワークに再構成する。 我々はTaylor属性フレームワークにおいて、良い属性の3つの原則を確立する。
  論文  参考訳（メタデータ） (2020-08-21T22:07:06Z)
• Generalization Properties of Optimal Transport GANs with Latent Distribution Learning [52.25145141639159]
  本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。 我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
  論文  参考訳（メタデータ） (2020-07-29T07:31:33Z)
• Implicit Distributional Reinforcement Learning [61.166030238490634]
  2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC) 半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。 我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
  論文  参考訳（メタデータ） (2020-07-13T02:52:18Z)
• Taylor Expansion Policy Optimization [55.204663986972875]
  テイラーの拡張は、政治以外の評価に密接に関係していることが示される。 この新たな定式化は、いくつかの最先端分散アルゴリズムの性能を改善する修正を含む。
  論文  参考訳（メタデータ） (2020-03-13T13:14:19Z)

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。