論文の概要: Learning Marked Temporal Point Process Explanations based on Counterfactual and Factual Reasoning

• arxiv url: http://arxiv.org/abs/2508.11943v1
• Date: Sat, 16 Aug 2025 07:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.471516
• Title: Learning Marked Temporal Point Process Explanations based on Counterfactual and Factual Reasoning
• Title（参考訳）: 実測的および実測的推論に基づくマーク付き時間点プロセス記述の学習
• Authors: Sishun Liu, Ke Deng, Xiuzhen Zhang, Yan Wang,
• Abstract要約: MTPPの説明は、最小かつ合理的な説明、すなわち歴史上の出来事の最小サブセットを特定することを目的としている。 本研究は,MTPP (CFF) のための対実的・実的説明器を提案し,一連の故意に設計した手法を用いて MTPP の説明を解く。
• 参考スコア（独自算出の注目度）: 10.03274471703011
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural network-based Marked Temporal Point Process (MTPP) models have been widely adopted to model event sequences in high-stakes applications, raising concerns about the trustworthiness of outputs from these models. This study focuses on Explanation for MTPP, aiming to identify the minimal and rational explanation, that is, the minimum subset of events in history, based on which the prediction accuracy of MTPP matches that based on full history to a great extent and better than that based on the complement of the subset. This study finds that directly defining Explanation for MTPP as counterfactual explanation or factual explanation can result in irrational explanations. To address this issue, we define Explanation for MTPP as a combination of counterfactual explanation and factual explanation. This study proposes Counterfactual and Factual Explainer for MTPP (CFF) to solve Explanation for MTPP with a series of deliberately designed techniques. Experiments demonstrate the correctness and superiority of CFF over baselines regarding explanation quality and processing efficiency.
• Abstract（参考訳）: ニューラルネットワークに基づくマーク付きテンポラルポイントプロセス(MTPP)モデルは、ハイテイクなアプリケーションにおけるイベントシーケンスのモデル化に広く採用されており、これらのモデルからの出力の信頼性に関する懸念が高まっている。 本研究は,MTPPの予測精度が,そのサブセットの補完に基づくものよりもはるかに優れていることに基づいて,歴史における事象の最小サブセットである最小かつ合理的な説明を識別することを目的としたMTPPの説明に焦点を当てた。 本研究は,MTPPの解説を非合理的な説明や事実的説明として直接定義することは,不合理な説明をもたらすことを示唆している。 この問題に対処するため,MTPPの解説を,事実的説明と事実的説明の組合せとして定義する。 本研究は,MTPP (CFF) のための対実的・実的説明器を提案し,一連の故意に設計した手法を用いて MTPP の説明を解く。 説明品質と処理効率に関するベースライン上のCFFの正しさと優越性を示す実験を行った。

関連論文リスト

• Are We Merely Justifying Results ex Post Facto? Quantifying Explanatory Inversion in Post-Hoc Model Explanations [87.68633031231924]
  ポストホックな説明法は、入力特徴に対する予測に起因する解釈を提供する。 これらの説明は、インプットとアウトプットの自然な関係を意図せずに逆転させるだろうか? Inversion Quantification (IQ) は、説明が出力に依存する程度を定量化し、忠実なインプット・アウトプット関係から逸脱するフレームワークである。
  論文  参考訳（メタデータ） (2025-04-11T19:00:12Z)
• Truthful or Fabricated? Using Causal Attribution to Mitigate Reward Hacking in Explanations [30.68740512996253]
  思考の連鎖の説明は、大きな言語モデルの決定過程を調べるために広く使われている。 これらの説明の忠実さを必然的に低減することができることを示す。
  論文  参考訳（メタデータ） (2025-04-07T17:49:23Z)
• ExpProof : Operationalizing Explanations for Confidential Models with ZKPs [33.47144717983562]
  ZKP(Zero-Knowledge Proofs)を用いた敵シナリオにおける説明の運用に向けて一歩前進する。 具体的には、一般的な説明可能性アルゴリズムLIMEのZKP対応バージョンについて検討し、ニューラルネットワークとランダムフォレストの性能を評価する。
  論文  参考訳（メタデータ） (2025-02-06T04:24:29Z)
• Selective Explanations [14.312717332216073]
  機械学習モデルは、1つの推論だけで特徴属性スコアを予測するために訓練される。 その効率にもかかわらず、償却された説明者は不正確な予測や誤解を招く説明を生み出すことができる。 そこで本稿では,低品質な説明文を生成する際の特徴帰属手法である選択的説明文を提案する。
  論文  参考訳（メタデータ） (2024-05-29T23:08:31Z)
• Faithful Explanations of Black-box NLP Models Using LLM-generated Counterfactuals [67.64770842323966]
  NLPシステムの予測に関する因果的説明は、安全性を確保し、信頼を確立するために不可欠である。 既存の手法は、しばしばモデル予測を効果的または効率的に説明できない。 本稿では, 対物近似(CF)の2つの手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T07:31:04Z)
• 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)
• Masked Language Modeling and the Distributional Hypothesis: Order Word Matters Pre-training for Little [74.49773960145681]
  マスク言語モデル(MLM)トレーニングの印象的なパフォーマンスの可能な説明は、そのようなモデルがNLPパイプラインで広く普及している構文構造を表現することを学びました。 本稿では,先行訓練がダウンストリームタスクでほぼ完全に成功する理由として,高次単語共起統計をモデル化できることを挙げる。 以上の結果から,純粋分布情報は,事前学習の成功を主に説明し,深い言語知識を必要とする難易度評価データセットのキュレーションの重要性を強調する。
  論文  参考訳（メタデータ） (2021-04-14T06:30:36Z)

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。