論文の概要: STRIDE: Subset-Free Functional Decomposition for XAI in Tabular Settings

• arxiv url: http://arxiv.org/abs/2509.09070v2
• Date: Mon, 15 Sep 2025 03:49:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 13:19:47.976471
• Title: STRIDE: Subset-Free Functional Decomposition for XAI in Tabular Settings
• Title（参考訳）: STRIDE: XAIのサブセットフリー機能分解
• Authors: Chaeyun Ko,
• Abstract要約: 私たちはSTRIDEを紹介します。これは"何"機能に答えるフレームワークですが、どのように"相互作用する"のかを明らかにすることができません。 また、学習した相互作用を分離し、その寄与を定量化する診断である「コンポーネント手術」も導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most explainable AI (XAI) frameworks are limited in their expressiveness, summarizing complex feature effects as single scalar values \phi_i. This approach answers "what" features are important but fails to reveal "how" they interact. Furthermore, methods that attempt to capture interactions, like those based on Shapley values, often face an exponential computational cost. We present STRIDE, a scalable framework that addresses both limitations by reframing explanation as a subset-enumeration-free, orthogonal "functional decomposition" in a Reproducing Kernel Hilbert Space (RKHS). In the tabular setups we study, STRIDE analytically computes functional components f_S(x_S) via a recursive kernel-centering procedure. The approach is model-agnostic and theoretically grounded with results on orthogonality and L^2 convergence. In tabular benchmarks (10 datasets, median over 10 seeds), STRIDE attains a 3.0 times median speedup over TreeSHAP and a mean R^2=0.93 for reconstruction. We also introduce "component surgery", a diagnostic that isolates a learned interaction and quantifies its contribution; on California Housing, removing a single interaction reduces test R^2 from 0.019 to 0.027.
• Abstract（参考訳）: ほとんどの説明可能なAI(XAI)フレームワークは表現力に制限があり、複雑な特徴効果を単一のスカラー値 \phi_i として要約する。 このアプローチでは、“何が重要なのか”に答えるが、“どのように”相互作用するかを明らかにすることはできない。 さらに、シャプリー値に基づくような相互作用を捉えようとする手法は、指数関数的な計算コストに直面することが多い。 我々は、RKHS(Reproduction Kernel Hilbert Space)において、サブセット列挙のない直交の「関数分解」として説明をフレーミングすることで、両方の制限に対処するスケーラブルなフレームワークSTRIDEを提案する。 本研究では,再帰的カーネル中心化手法を用いて関数成分 f_S(x_S) を解析的に計算する。 アプローチはモデルに依存しず、理論上は直交性やL^2収束の結果に基づいている。 表のベンチマーク(10データセット、中央値10種以上)では、STRIDEはTreeSHAPの3.0倍のスピードアップとR^2=0.93の平均的なリコンストラクションを達成している。 また,学習したインタラクションを分離し,そのコントリビューションを定量化する診断である「コンポーネント手術」も導入した。カリフォルニアハウジングでは,単一のインタラクションを削除することにより,テストR^2が0.019から0.027に減少する。

関連論文リスト

• Hinge Regression Tree: A Newton Method for Oblique Regression Tree Splitting [18.562483381753804]
  2つの線形予測器上での非線形最小二乗問題として分割するHynge Regression Tree(HRT)を提案する。 このノードレベルの最適化を解析し、バックトラックライン探索の変種について、局所的な目的が単調に減少し収束することを証明する。 合成および実世界のベンチマークで、HRTはよりコンパクトな構造を持つ単木ベースラインにマッチするか、より優れることを示す。
  論文  参考訳（メタデータ） (2026-02-05T06:49:01Z)
• Rational ANOVA Networks [12.085684184678348]
  ディープニューラルネットワークは非線形性を固定プリミティブとして扱い、誘導関数クラスに対する解釈可能性と制御の両方を制限する。 本稿では,機能的ANOVA分解とパッド型合理的近似に基づく基礎アーキテクチャであるRational-ANOVA Network (RAN)を提案する。
  論文  参考訳（メタデータ） (2026-02-03T20:46:00Z)
• Closing the Approximation Gap of Partial AUC Optimization: A Tale of Two Formulations [121.39938773554523]
  ROC曲線の下の領域(AUC)は、クラス不均衡と決定制約の両方を持つ実世界のシナリオにおける重要な評価指標である。 PAUC最適化の近似ギャップを埋めるために,2つの簡単なインスタンス単位のミニマックス修正を提案する。 得られたアルゴリズムは、サンプルサイズと典型的な一方方向と双方向のPAUCに対して$O(-2/3)$の収束率の線形パーイテレーション計算複雑性を享受する。
  論文  参考訳（メタデータ） (2025-12-01T02:52:33Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• SKI to go Faster: Accelerating Toeplitz Neural Networks via Asymmetric Kernels [69.47358238222586]
  Toeplitz Neural Networks (TNN) は、印象的な結果を持つ最近のシーケンスモデルである。 我々は, O(n) 計算複雑性と O(n) 相対位置エンコーダ (RPE) 多層パーセプトロン (MLP) と減衰バイアスコールの低減を目指す。 双方向モデルの場合、これはスパースと低ランクのToeplitz行列分解を動機付ける。
  論文  参考訳（メタデータ） (2023-05-15T21:25:35Z)
• Kernel-based off-policy estimation without overlap: Instance optimality beyond semiparametric efficiency [53.90687548731265]
  本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。 任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
  論文  参考訳（メタデータ） (2023-01-16T02:57:37Z)
• Estimating Higher-Order Mixed Memberships via the $\ell_{2,\infty}$ Tensor Perturbation Bound [8.521132000449766]
  テンソルブロックモデルの一般化であるテンソル混合メンバーシップブロックモデルを提案する。 我々は,モデルの同定可能性を確立し,計算効率の良い推定手法を提案する。 本手法を実データおよびシミュレーションデータに適用し,個別のコミュニティメンバーシップを持つモデルから特定できない効果を示す。
  論文  参考訳（メタデータ） (2022-12-16T18:32:20Z)
• Statistical Optimality of Divide and Conquer Kernel-based Functional Linear Regression [1.7227952883644062]
  本稿では,対象関数が基礎となるカーネル空間に存在しないシナリオにおいて,分割・コンカレント推定器の収束性能について検討する。 分解に基づくスケーラブルなアプローチとして、関数線形回帰の分割・収束推定器は、時間とメモリにおけるアルゴリズムの複雑さを大幅に減らすことができる。
  論文  参考訳（メタデータ） (2022-11-20T12:29:06Z)
• Unifying local and global model explanations by functional decomposition of low dimensional structures [0.0]
  回帰関数や分類関数のグローバルな説明を主成分と相互作用成分の和に分解して考える。 ここで、qは分解に存在する相互作用の最高位を表す。
  論文  参考訳（メタデータ） (2022-08-12T07:38:53Z)
• Active Nearest Neighbor Regression Through Delaunay Refinement [79.93030583257597]
  近接回帰に基づく能動関数近似アルゴリズムを提案する。 我々のActive Nearest Neighbor Regressor (ANNR) は計算幾何学の Voronoi-Delaunay フレームワークに頼り、空間を一定の関数値のセルに分割する。
  論文  参考訳（メタデータ） (2022-06-16T10:24:03Z)
• Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
  部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。 線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
  論文  参考訳（メタデータ） (2022-04-20T21:15:38Z)
• A Fast Parallel Tensor Decomposition with Optimal Stochastic Gradient Descent: an Application in Structural Damage Identification [1.536989504296526]
  本稿では, CANDECOMP/PARAFAC (CP) 分解を mathbbR I_1 times dots times I_N $ で並列化する新しいアルゴリズム FP-CPD を提案する。
  論文  参考訳（メタデータ） (2021-11-04T05:17:07Z)
• The SKIM-FA Kernel: High-Dimensional Variable Selection and Nonlinear Interaction Discovery in Linear Time [26.11563787525079]
  変数選択と推定の両方において、カーネルのトリックが適切なベイズモデルによる計算をO(#共変量)時間に還元する方法を示す。 提案手法は,大規模で高次元なデータセットの既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-06-23T13:53:36Z)
• Spectral Learning on Matrices and Tensors [74.88243719463053]
  テンソル分解は行列法で欠落する潜伏効果を拾うことができることを示す。 また,効率的なテンソル分解法を設計するための計算手法についても概説する。
  論文  参考訳（メタデータ） (2020-04-16T22:53:00Z)
• Improved guarantees and a multiple-descent curve for Column Subset Selection and the Nystr\"om method [76.73096213472897]
  我々は,データ行列のスペクトル特性を利用して近似保証を改良する手法を開発した。 我々のアプローチは、特異値減衰の既知の速度を持つデータセットのバウンダリが大幅に向上する。 RBFパラメータを変更すれば,改良された境界線と多重発振曲線の両方を実データセット上で観測できることが示される。
  論文  参考訳（メタデータ） (2020-02-21T00:43:06Z)

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。