論文の概要: Synthesising Counterfactual Explanations via Label-Conditional Gaussian Mixture Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2510.04855v1
• Date: Mon, 06 Oct 2025 14:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.907715
• Title: Synthesising Counterfactual Explanations via Label-Conditional Gaussian Mixture Variational Autoencoders
• Title（参考訳）: ラベル記述型ガウス混合変分オートエンコーダによる対実的説明の合成
• Authors: Junqi Jiang, Francesco Leofante, Antonio Rago, Francesca Toni,
• Abstract要約: 対実的説明(CE)は、アルゴリズム上の決定によって影響を受ける個人に対して、レコメンデーションのレコメンデーションを提供する。 既存の手法は主に、統一されたモデルに依存しない方法でこれらの多面的要求に対処するのに苦労する。 本稿では,入力の潜時表現から学習した潜時セントロイドへの補間によりCE点の全経路を合成するモデル非依存アルゴリズムであるLAPACEを提案する。
• 参考スコア（独自算出の注目度）: 24.716251378991288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual explanations (CEs) provide recourse recommendations for individuals affected by algorithmic decisions. A key challenge is generating CEs that are robust against various perturbation types (e.g. input and model perturbations) while simultaneously satisfying other desirable properties. These include plausibility, ensuring CEs reside on the data manifold, and diversity, providing multiple distinct recourse options for single inputs. Existing methods, however, mostly struggle to address these multifaceted requirements in a unified, model-agnostic manner. We address these limitations by proposing a novel generative framework. First, we introduce the Label-conditional Gaussian Mixture Variational Autoencoder (L-GMVAE), a model trained to learn a structured latent space where each class label is represented by a set of Gaussian components with diverse, prototypical centroids. Building on this, we present LAPACE (LAtent PAth Counterfactual Explanations), a model-agnostic algorithm that synthesises entire paths of CE points by interpolating from inputs' latent representations to those learned latent centroids. This approach inherently ensures robustness to input changes, as all paths for a given target class converge to the same fixed centroids. Furthermore, the generated paths provide a spectrum of recourse options, allowing users to navigate the trade-off between proximity and plausibility while also encouraging robustness against model changes. In addition, user-specified actionability constraints can also be easily incorporated via lightweight gradient optimisation through the L-GMVAE's decoder. Comprehensive experiments show that LAPACE is computationally efficient and achieves competitive performance across eight quantitative metrics.
• Abstract（参考訳）: 対実的説明(CE)は、アルゴリズム上の決定によって影響を受ける個人に対して、レコメンデーションのレコメンデーションを提供する。 重要な課題は、様々な摂動タイプ(例えば入力とモデル摂動)に対して頑健なCEを生成し、同時に他の望ましい特性を満たすことである。 これらには可算性、CEがデータ多様体上に存在することを保証すること、多様性が含まれ、単一の入力に対して複数の異なるrecourseオプションを提供する。 しかし、既存の手法のほとんどは、統一されたモデルに依存しない方法でこれらの多面的要求に対処するのに苦労している。 これらの制限に対処するために、新しい生成フレームワークを提案する。 まず,ラベル条件付きガウス混合変分オートエンコーダ (L-GMVAE) を導入する。これは,各クラスラベルが多様かつプロトタイプなセントロイドを持つガウス成分の集合で表される構造付き潜在空間を学習するために訓練されたモデルである。 そこで我々は,入力の潜在表現から学習した潜在セントロイドへの補間によりCE点の全経路を合成するモデル非依存アルゴリズムであるLAPACEを提案する。 このアプローチは本質的に、与えられた対象クラスのすべての経路が同じ固定されたセントロイドに収束するため、入力変化に対するロバスト性を保証する。 さらに、生成されたパスはさまざまなレコメンデーションオプションを提供し、ユーザーは近接性と可視性の間のトレードオフをナビゲートできると同時に、モデル変更に対する堅牢性を促進することができる。 さらに,L-GMVAEデコーダによる軽量勾配最適化により,ユーザ指定の動作性制約を容易に組み込むことができる。 総合的な実験により、LAPACEは計算効率が良く、8つの量的指標で競合性能を達成できることが示された。

関連論文リスト

• Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
  本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。 textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。 各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
  論文  参考訳（メタデータ） (2025-06-02T08:13:32Z)
• Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
  わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。 本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。 本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
  論文  参考訳（メタデータ） (2025-03-28T07:23:07Z)
• Gaussian Mixture Vector Quantization with Aggregated Categorical Posterior [5.862123282894087]
  ベクトル量子化変分オートエンコーダ(VQ-VAE)を導入する。 VQ-VAEは、離散埋め込みを潜時として使用する変分オートエンコーダの一種である。 GM-VQは,手工芸品に頼らずに,コードブックの利用率を向上し,情報損失を低減する。
  論文  参考訳（メタデータ） (2024-10-14T05:58:11Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Counterfactual Explanation via Search in Gaussian Mixture Distributed Latent Space [19.312306559210125]
  対実説明(CE)は2つの問題に対処するアルゴリズム・リコースにおいて重要なツールである。 簡単に理解しやすい説明を提供することによって、AIシステムに対するユーザのインタラクションを導くことは、AIシステムの信頼できる採用と長期的な受け入れに不可欠である。 本稿では,まずオートエンコーダの潜伏空間をガウス分布の混合として形成することにより,事前学習されたバイナリ分類器のCEを生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-25T10:21:26Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• BOSS: Bidirectional One-Shot Synthesis of Adversarial Examples [8.359029046999233]
  本稿では,逆数例のワンショット合成を提案する。 入力はスクラッチから合成され、事前訓練されたモデルの出力で任意のソフト予測を誘導する。 本稿では,本フレームワークの汎用性と汎用性を示す。
  論文  参考訳（メタデータ） (2021-08-05T17:43:36Z)
• Improve Variational Autoencoder for Text Generationwith Discrete Latent Bottleneck [52.08901549360262]
  変分オートエンコーダ(VAE)は、エンドツーエンドの表現学習において必須のツールである。 VAEは強い自己回帰デコーダで潜伏変数を無視する傾向がある。 よりコンパクトな潜在空間において暗黙的な潜在特徴マッチングを強制する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-22T14:41:37Z)

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。