論文の概要: Practical do-Shapley Explanations with Estimand-Agnostic Causal Inference

• arxiv url: http://arxiv.org/abs/2509.20211v1
• Date: Wed, 24 Sep 2025 15:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.869288
• Title: Practical do-Shapley Explanations with Estimand-Agnostic Causal Inference
• Title（参考訳）: Estimand-Agnostic Causal Inferenceを用いた実践的do-Shapley説明法
• Authors: Álvaro Parafita, Tomas Garriga, Axel Brando, Francisco J. Cazorla,
• Abstract要約: SHAPは最も一般的な説明可能性手法の1つであるが、しばしば問題の因果構造を見落としている。 一つのモデルから特定可能なクエリを推定できる推定・認識アプローチを提案する。 また、計算を無視できるコストで大幅に高速化する新しいアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 1.09610932276724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Among explainability techniques, SHAP stands out as one of the most popular, but often overlooks the causal structure of the problem. In response, do-SHAP employs interventional queries, but its reliance on estimands hinders its practical application. To address this problem, we propose the use of estimand-agnostic approaches, which allow for the estimation of any identifiable query from a single model, making do-SHAP feasible on complex graphs. We also develop a novel algorithm to significantly accelerate its computation at a negligible cost, as well as a method to explain inaccessible Data Generating Processes. We demonstrate the estimation and computational performance of our approach, and validate it on two real-world datasets, highlighting its potential in obtaining reliable explanations.
• Abstract（参考訳）: 説明可能性技術の中で、SHAPは最も人気があるものの、しばしば問題の因果構造を見落としている。 これに対し、do-SHAPは介入クエリを採用しているが、推定値への依存は実際の適用を妨げる。 この問題に対処するために,1つのモデルから任意の特定可能なクエリを推定し,複雑なグラフ上でdo-SHAPを実現するための推定・認識アプローチを提案する。 我々はまた、その計算を無視できるコストで大幅に高速化する新しいアルゴリズムや、アクセス不能なデータ生成プロセスを説明する方法も開発している。 提案手法の評価と計算性能を実証し、2つの実世界のデータセットで検証し、信頼性のある説明を得る可能性を強調した。

関連論文リスト

• Bounding Causal Effects and Counterfactuals [0.0]
  この論文は、複数の因果シナリオにまたがる有界アルゴリズムを体系的に比較することで、課題に対処する。 我々は、共通の評価フレームワーク内で最先端のメソッドを実装し、拡張し、統一する。 我々の実証研究は、離散データ生成プロセスと連続データ生成プロセスの両方を含む何千ものランダム化シミュレーションにまたがる。
  論文  参考訳（メタデータ） (2025-08-19T08:13:34Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Simple Steps to Success: A Method for Step-Based Counterfactual Explanations [9.269923473051138]
  本稿では,データ駆動型モデル依存型フレームワークを提案する。 計算効率のよいStEPはデータ多様体に沿って漸進的なステップを提供し、ユーザを望ましい結果へと誘導する。
  論文  参考訳（メタデータ） (2023-06-27T15:35:22Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Exploring Viable Algorithmic Options for Learning from Demonstration (LfD): A Parameterized Complexity Approach [0.0]
  本稿では,パラメータ化複雑性解析を用いて,アルゴリズムの選択肢を体系的に探索する方法を示す。 環境、実演、ポリシーに対する多くの(しばしば同時に)制限に対して、我々の問題は、一般的にも、あるいは相対的に、効率的に解決できないことを示す。
  論文  参考訳（メタデータ） (2022-05-10T15:54:06Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。