論文の概要: From SHAP to Rules: Distilling Expert Knowledge from Post-hoc Model Explanations in Time Series Classification

• arxiv url: http://arxiv.org/abs/2508.01687v1
• Date: Sun, 03 Aug 2025 09:45:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.009091
• Title: From SHAP to Rules: Distilling Expert Knowledge from Post-hoc Model Explanations in Time Series Classification
• Title（参考訳）: SHAPからルールへ:時系列分類におけるポストホックモデル記述からのエキスパート知識の蒸留
• Authors: Maciej Mozolewski, Szymon Bobek, Grzegorz J. Nalepa,
• Abstract要約: 本稿では,数値的特徴属性をポストホック,インスタンスワイド・アナライザから構造化されたヒューマン可読なルールに変換するフレームワークを提案する。 このアプローチは、Anchorのようなネイティブなルールベースのメソッドと互換性があり、長いTSにスケーリングし、より多くのインスタンスをカバーしています。 UCIデータセットの実験では、結果のルールベースの表現が解釈可能性、決定透明性、TS分類の実践的適用性を改善することが確認されている。
• 参考スコア（独自算出の注目度）: 7.7491252992917445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explaining machine learning (ML) models for time series (TS) classification is challenging due to inherent difficulty in raw time series interpretation and doubled down by the high dimensionality. We propose a framework that converts numeric feature attributions from post-hoc, instance-wise explainers (e.g., LIME, SHAP) into structured, human-readable rules. These rules define intervals indicating when and where they apply, improving transparency. Our approach performs comparably to native rule-based methods like Anchor while scaling better to long TS and covering more instances. Rule fusion integrates rule sets through methods such as weighted selection and lasso-based refinement to balance coverage, confidence, and simplicity, ensuring all instances receive an unambiguous, metric-optimized rule. It enhances explanations even for a single explainer. We introduce visualization techniques to manage specificity-generalization trade-offs. By aligning with expert-system principles, our framework consolidates conflicting or overlapping explanations - often resulting from the Rashomon effect - into coherent and domain-adaptable insights. Experiments on UCI datasets confirm that the resulting rule-based representations improve interpretability, decision transparency, and practical applicability for TS classification.
• Abstract（参考訳）: 時系列(TS)分類のための機械学習(ML)モデルの説明は、生の時系列解釈において固有の困難さのために困難であり、高次元性によって強調される。 本稿では,ポストホック,インスタンスワイド・アナライザ(例:LIME,SHAP)から構造化されたヒューマン可読なルールに変換するフレームワークを提案する。 これらのルールは、いつ、どこで適用されるかを示す間隔を定義し、透明性を改善します。 このアプローチは、Anchorのようなネイティブなルールベースのメソッドと互換性があり、長いTSにスケーリングし、より多くのインスタンスをカバーしています。 ルール・フュージョンは、重み付けされた選択やラッソに基づく洗練といった手法を通じてルール・セットを統合し、カバレッジ、信頼性、単純さをバランスさせ、すべてのインスタンスがあいまいでメートル法に最適化されたルールを確実に受け取ります。 説明を1つの説明者でも強化する。 特定性一般化トレードオフを管理するための可視化技術を導入する。 専門家-システム原則に合わせることで、私たちのフレームワークは矛盾するあるいは重複する説明(多くの場合、Rashomon効果による)を一貫性とドメイン順応可能な洞察に集約します。 UCIデータセットの実験では、結果のルールベースの表現が解釈可能性、決定透明性、TS分類の実践的適用性を改善することが確認されている。

関連論文リスト

• Excess Description Length of Learning Generalizable Predictors [7.527535569795127]
  我々は,列車のデータセットからどれだけの予測構造を微調整するかを定量化するための形式的情報理論フレームワークを開発した。 我々の中心となる量であるExcess Description Length (EDL) は、逐次符号化によって定義される。 我々は,EDLが期待値が負でないことを証明し,無限データ限界における余剰記述長に収束し,期待される一般化ゲインにバウンダリを与える。
  論文  参考訳（メタデータ） (2026-01-08T08:46:42Z)
• TriShGAN: Enhancing Sparsity and Robustness in Multivariate Time Series Counterfactuals Explanation [8.94594915042052]
  カウンターファクトの説明は、クエリされたインスタンスで何が変更されるべきなのかを提案して、AIシステムの結果を変更する。 伝統的なNearest Neighborベースの手法は、典型的には、NUNから影響力のあるサブシーケンスを持つクエリ時系列のサブシーケンスを置換する。 我々は三重項損失の編入により強化されたCounteRGANフレームワークのもとでTriShGANを紹介する。
  論文  参考訳（メタデータ） (2025-11-09T20:32:20Z)
• Feedback Guidance of Diffusion Models [0.0]
  Interval-Free Guidance (CFG) は, 条件付き拡散モデルにおける試料の忠実度向上の標準となっている。 本稿では,FBG(FeedBack Guidance)を提案する。
  論文  参考訳（メタデータ） (2025-06-06T13:46:32Z)
• Implet: A Post-hoc Subsequence Explainer for Time Series Models [7.890123610098698]
  時系列モデルのための新しいポストホック説明器であるImpletを紹介する。 提案手法は,モデルの予測に大きく寄与する重要な時間セグメントを同定する。 本稿では,コホートに基づく(グループレベルの)説明フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-13T17:01:23Z)
• Explainability-Driven Quality Assessment for Rule-Based Systems [0.7303392100830282]
  本稿では,知識に基づく推論システムにおけるルールの質を高めるための説明フレームワークを提案する。 規則推論の説明を生成し、人間の解釈を利用して規則を洗練させる。 その実用性は金融のユースケースを通じて実証される。
  論文  参考訳（メタデータ） (2025-02-03T11:26:09Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• RuleExplorer: A Scalable Matrix Visualization for Understanding Tree Ensemble Classifiers [20.416696003269674]
  本稿では,数万のルールを含む木アンサンブル分類法を説明するために,拡張性のある視覚解析手法を提案する。 我々は,これらのルールを階層レベルで優先順位付けするための,異常バイアスモデル削減手法を開発した。 本手法は,共通ルールと異常ルールの両方を深く理解し,包括性を犠牲にすることなく解釈性を向上させる。
  論文  参考訳（メタデータ） (2024-09-05T01:48:11Z)
• Disperse-Then-Merge: Pushing the Limits of Instruction Tuning via Alignment Tax Reduction [75.25114727856861]
  大規模言語モデル(LLM)は、スーパービジョンされた微調整プロセスの後半で劣化する傾向にある。 この問題に対処するための単純な分散結合フレームワークを導入する。 我々のフレームワークは、一連の標準知識と推論ベンチマークに基づいて、データキュレーションや正規化の訓練など、様々な高度な手法より優れています。
  論文  参考訳（メタデータ） (2024-05-22T08:18:19Z)
• Rule By Example: Harnessing Logical Rules for Explainable Hate Speech Detection [13.772240348963303]
  Rule By Example(RBE)は、テキストコンテンツモデレーションのタスクに対する論理規則から学習するための、新規なコントラスト学習手法である。 RBEはルール基底の予測を提供することができ、典型的なディープラーニングベースのアプローチと比較して説明可能でカスタマイズ可能な予測を可能にする。
  論文  参考訳（メタデータ） (2023-07-24T16:55:37Z)
• Self-regulating Prompts: Foundational Model Adaptation without Forgetting [112.66832145320434]
  本稿では,PromptSRCと呼ばれる自己正規化フレームワークを提案する。 PromptSRCはタスク固有の汎用表現とタスクに依存しない汎用表現の両方に最適化するプロンプトを導く。
  論文  参考訳（メタデータ） (2023-07-13T17:59:35Z)
• On Regularization and Inference with Label Constraints [62.60903248392479]
  機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。 正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。 制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
  論文  参考訳（メタデータ） (2023-07-08T03:39:22Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)
• An Information-Theoretic Perspective on Variance-Invariance-Covariance Regularization [52.44068740462729]
  我々は、VICRegの目的に関する情報理論的な視点を示す。 我々は、VICRegの一般化を導出し、下流タスクに固有の利点を明らかにした。 既存のSSL技術よりも優れた情報理論の原理から派生したSSL手法のファミリーを紹介する。
  論文  参考訳（メタデータ） (2023-03-01T16:36:25Z)
• ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
  我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。 ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。 実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
  論文  参考訳（メタデータ） (2022-06-24T08:18:05Z)
• InteL-VAEs: Adding Inductive Biases to Variational Auto-Encoders via Intermediary Latents [60.785317191131284]
  本稿では,潜伏変数の中間集合を用いて,制御可能なバイアスでVAEを学習するための簡易かつ効果的な手法を提案する。 特に、学習した表現に対して、スパーシリティやクラスタリングといった望ましいプロパティを課すことができます。 これにより、InteL-VAEはより優れた生成モデルと表現の両方を学ぶことができる。
  論文  参考訳（メタデータ） (2021-06-25T16:34:05Z)
• Causally-motivated Shortcut Removal Using Auxiliary Labels [63.686580185674195]
  このようなリスク不変予測器の学習に重要な課題はショートカット学習である。 この課題に対処するために、フレキシブルで因果的なアプローチを提案する。 この因果的動機付けされた正規化スキームが堅牢な予測子を生み出すことを理論的および実証的に示す。
  論文  参考訳（メタデータ） (2021-05-13T16:58:45Z)
• Refining Neural Networks with Compositional Explanations [31.84868477264624]
  本稿では,モデルの失敗事例に関する人為的な構成説明を収集し,学習モデルの改良を提案する。 提案手法が2つのテキスト分類タスクに有効であることを示す。
  論文  参考訳（メタデータ） (2021-03-18T17:48:54Z)
• PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation [58.98802062945709]
  本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。 我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
  論文  参考訳（メタデータ） (2020-09-02T08:30:09Z)
• Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
  本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。 オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
  論文  参考訳（メタデータ） (2020-03-13T00:32:46Z)

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。