Fugu-MT 論文翻訳(概要): Causal Explanation of Concept Drift -- A Truly Actionable Approach

論文の概要: Causal Explanation of Concept Drift -- A Truly Actionable Approach

arxiv url: http://arxiv.org/abs/2507.23389v1
Date: Thu, 31 Jul 2025 10:02:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-01 17:19:09.507457
Title: Causal Explanation of Concept Drift -- A Truly Actionable Approach
Title（参考訳）: 概念ドリフトの因果説明-真に実行可能なアプローチ
Authors: David Komnick, Kathrin Lammers, Barbara Hammer, Valerie Vaquet, Fabian Hinder,
Abstract要約: モデルに基づくドリフト説明を因果説明に拡張し,提案した説明の動作可能性を高める。我々は,本フレームワークの実用性を実証し,いくつかのユースケースについて説明戦略を評価した。
参考スコア（独自算出の注目度）: 5.319765271848658
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In a world that constantly changes, it is crucial to understand how those changes impact different systems, such as industrial manufacturing or critical infrastructure. Explaining critical changes, referred to as concept drift in the field of machine learning, is the first step towards enabling targeted interventions to avoid or correct model failures, as well as malfunctions and errors in the physical world. Therefore, in this work, we extend model-based drift explanations towards causal explanations, which increases the actionability of the provided explanations. We evaluate our explanation strategy on a number of use cases, demonstrating the practical usefulness of our framework, which isolates the causally relevant features impacted by concept drift and, thus, allows for targeted intervention.
Abstract（参考訳）: 常に変化している世界では、これらの変化が製造業や重要なインフラなど、異なるシステムにどのように影響するかを理解することが不可欠である。機械学習の分野でコンセプトドリフト(concept drift)と呼ばれる重要な変化を説明することは、物理的世界の誤動作やエラーだけでなく、モデル障害の回避または修正を目的とした介入を可能にするための第一歩である。そこで本研究では,モデルに基づくドリフト説明を因果説明に拡張し,提案した説明の動作可能性を高める。我々は,概念ドリフトによる因果関係のある特徴を分離し,対象とする介入を可能にするフレームワークの実用的有用性を実証し,いくつかのユースケースに対する説明戦略を評価した。

関連論文リスト

Causally Reliable Concept Bottleneck Models [4.411356026951205]
概念に基づくモデルは、データに表される対象現象の根底にある真の因果メカニズムを説明できない。実世界の因果メカニズムのモデルに基づいて構成された概念のボトルネックを通じて推論を強制する概念ベースアーキテクチャのクラスである、因果信頼概念ボトルネックモデル(C$2$BMs)を提案する。 C$2$BMは、精度を維持しながら、標準不透明モデルやコンセプトベースモデルのような介入に対する応答性を改善しつつ、より解釈可能で、因果的に信頼性が高いことを示す。
論文参考訳（メタデータ） (2025-03-06T12:06:54Z)
Rolling with the Punches: Resilient Contrastive Pre-training under Non-Stationary Drift [16.97188816362991]
重要な課題は、動的データストリーム上のモデルの効果的な事前トレーニングである。まず、従来の対照的な事前学習手法が、概念のドリフトに対して特に脆弱であることを明らかにする。本稿では,因果的介入を取り入れた新しい手法であるResilient Contrastive Pre-training (RCP)を提案する。
論文参考訳（メタデータ） (2025-02-11T15:09:05Z)
MCCE: Missingness-aware Causal Concept Explainer [4.56242146925245]
我々は、すべての概念が観測可能でない場合に因果概念効果を推定するために、ミススティングネス対応因果概念記述器(MCCE)を導入する。本フレームワークでは,概念不足による残差を考慮し,これらの概念とブラックボックス機械学習モデルの出力の関係を線形予測器を用いてモデル化する。我々は実世界のデータセットを用いて検証を行い、MCCEが因果概念効果推定における最先端の説明手法と比較して有望な性能を達成することを示す。
論文参考訳（メタデータ） (2024-11-14T18:03:44Z)
Improving Intervention Efficacy via Concept Realignment in Concept Bottleneck Models [57.86303579812877]
概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念に基づいて、解釈可能なモデル決定を可能にする画像分類である。既存のアプローチは、強いパフォーマンスを達成するために、画像ごとに多数の人間の介入を必要とすることが多い。本稿では,概念関係を利用した学習型概念認識介入モジュールについて紹介する。
論文参考訳（メタデータ） (2024-05-02T17:59:01Z)
Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文参考訳（メタデータ） (2021-11-29T18:59:09Z)
Explainers in the Wild: Making Surrogate Explainers Robust to Distortions through Perception [77.34726150561087]
説明における歪みの影響を知覚距離を埋め込むことで評価する手法を提案する。 Imagenet-Cデータセットの画像の説明を生成し、サロゲート説明書の知覚距離を使用して歪んだ画像と参照画像のより一貫性のある説明を作成する方法を示しています。
論文参考訳（メタデータ） (2021-02-22T12:38:53Z)
Remembering for the Right Reasons: Explanations Reduce Catastrophic Forgetting [100.75479161884935]
我々は、RRR(Remembering for the Right Reasons)と呼ばれる新しいトレーニングパラダイムを提案する。 RRRは、各例の視覚モデル説明をバッファに格納し、モデルが予測に「正しい理由」を持つことを保証する。メモリや正規化ベースのアプローチでRRRを容易に追加できることを示し、その結果、忘れを少なくする。
論文参考訳（メタデータ） (2020-10-04T10:05:27Z)
Towards Interpretable Reasoning over Paragraph Effects in Situation [126.65672196760345]
我々は,原因と効果を理解するためのモデルを必要とする状況において,段落効果を推論する作業に焦点をあてる。本稿では,ニューラルネットワークモジュールを用いた推論プロセスの各ステップを明示的にモデル化する逐次的手法を提案する。特に、5つの推論モジュールはエンドツーエンドで設計され、学習され、より解釈可能なモデルにつながる。
論文参考訳（メタデータ） (2020-10-03T04:03:52Z)
Debiasing Concept-based Explanations with Causal Analysis [4.911435444514558]
本研究は,特徴の相違する情報と相関する概念の問題点について考察する。観測されていない変数の影響をモデル化するための新しい因果前グラフを提案する。提案手法は,概念が完成していない場合に有効であることを示す。
論文参考訳（メタデータ） (2020-07-22T15:42:46Z)
Counterfactual Explanations of Concept Drift [11.53362411363005]
概念ドリフトとは、観測データの背後にある分布が時間とともに変化する現象を指す。本稿では,典型的な例で表現される空間的特徴の特徴的変化の観点から,概念の漂流を特徴付ける新しい技術を提案する。
論文参考訳（メタデータ） (2020-06-23T08:27:57Z)

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。