論文の概要: CONFEX: Uncertainty-Aware Counterfactual Explanations with Conformal Guarantees

• arxiv url: http://arxiv.org/abs/2510.19754v1
• Date: Wed, 22 Oct 2025 16:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.146989
• Title: CONFEX: Uncertainty-Aware Counterfactual Explanations with Conformal Guarantees
• Title（参考訳）: CONFEX: コンフォーマルな保証者による不確実性を意識した対実的説明
• Authors: Aman Bilkhoo, Milad Kazemi, Nicola Paoletti, Mehran Hosseini,
• Abstract要約: 本研究では,不確実性を考慮した対実的説明を生成する新しい手法であるCONFEXを提案する。 CONFEXの説明は、CFX生成が交換可能性に反する問題に対処するため、ローカルなカバレッジ保証を提供するように設計されている。 各種ベンチマークやメトリクスを用いた最先端手法に対するCONFEXの評価を行った。
• 参考スコア（独自算出の注目度）: 4.014351341279428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual explanations (CFXs) provide human-understandable justifications for model predictions, enabling actionable recourse and enhancing interpretability. To be reliable, CFXs must avoid regions of high predictive uncertainty, where explanations may be misleading or inapplicable. However, existing methods often neglect uncertainty or lack principled mechanisms for incorporating it with formal guarantees. We propose CONFEX, a novel method for generating uncertainty-aware counterfactual explanations using Conformal Prediction (CP) and Mixed-Integer Linear Programming (MILP). CONFEX explanations are designed to provide local coverage guarantees, addressing the issue that CFX generation violates exchangeability. To do so, we develop a novel localised CP procedure that enjoys an efficient MILP encoding by leveraging an offline tree-based partitioning of the input space. This way, CONFEX generates CFXs with rigorous guarantees on both predictive uncertainty and optimality. We evaluate CONFEX against state-of-the-art methods across diverse benchmarks and metrics, demonstrating that our uncertainty-aware approach yields robust and plausible explanations.
• Abstract（参考訳）: 対実的説明(CFX)は、人間の理解可能なモデル予測の正当性を提供し、行動可能なリコースを可能にし、解釈可能性を高める。 信頼するためには、CFXは、説明が誤解を招いたり、適用できないような、高い予測の不確実性のある領域を避ける必要がある。 しかし、既存の手法は不確実性を無視したり、形式的な保証を組み込むための原則的なメカニズムを欠いていることが多い。 本研究では, Conformal Prediction (CP) と Mixed-Integer Linear Programming (MILP) を用いて, 不確実性を考慮した対実的説明を生成する新しい手法であるCONFEXを提案する。 CONFEXの説明は、CFX生成が交換可能性に反する問題に対処するため、ローカルなカバレッジ保証を提供するように設計されている。 そこで我々は,入力空間のオフライン木分割を利用して,効率的なMILP符号化を行う新しい局所CPプロシージャを開発した。 このように、CONFEXは予測の不確実性と最適性の両方を厳格に保証したCFXを生成する。 さまざまなベンチマークやメトリクスにまたがる最先端の手法に対するCONFEXの評価を行い、不確実性を認識したアプローチが堅牢で妥当な説明をもたらすことを示した。

関連論文リスト

• Trusted Uncertainty in Large Language Models: A Unified Framework for Confidence Calibration and Risk-Controlled Refusal [31.458406135473805]
  異種不確実性証拠を正当性の校正確率に変換する統一フレームワークUniCRを提案する。 UniCRは、温度スケーリングと適切なスコアリングを備えた軽量なキャリブレーションヘッドを学習する。 ショートフォームQA、実行テスト付きコード生成、検索強化ロングフォームQAの実験は、キャリブレーションメトリクスの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2025-09-01T13:14:58Z)
• TECP: Token-Entropy Conformal Prediction for LLMs [0.10742675209112619]
  Token-Entropy Conformal Prediction (TECP) は、トークンレベルのエントロピーをロジットフリーで参照不要な不確実性尺度として活用する新しいフレームワークである。 本手法は,ブラックボックスLLM設定における信頼に値する生成のための原理的かつ効率的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-30T11:31:04Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
  コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。 非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。 この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-25T20:02:51Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)

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。