論文の概要: Correlation-Aware Feature Attribution Based Explainable AI

• arxiv url: http://arxiv.org/abs/2511.16482v1
• Date: Thu, 20 Nov 2025 15:51:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.707648
• Title: Correlation-Aware Feature Attribution Based Explainable AI
• Title（参考訳）: 相関認識特徴属性に基づく説明可能なAI
• Authors: Poushali Sengupta, Yan Zhang, Frank Eliassen, Sabita Maharjan,
• Abstract要約: emphExCIRは、軽量転送プロトコルを備えた相関対応属性スコアである。 textscBlockCIRは、コリニアクラスタの二重カウントを緩和する。 emphscalable説明責任は、現実のデプロイメントにおいて、emphscalable説明責任を計算的に効率的、emphscalent、emphscalable説明責任を提供する。
• 参考スコア（独自算出の注目度）: 4.457502798302293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable AI (XAI) is increasingly essential as modern models become more complex and high-stakes applications demand transparency, trust, and regulatory compliance. Existing global attribution methods often incur high computational costs, lack stability under correlated inputs, and fail to scale efficiently to large or heterogeneous datasets. We address these gaps with \emph{ExCIR} (Explainability through Correlation Impact Ratio), a correlation-aware attribution score equipped with a lightweight transfer protocol that reproduces full-model rankings using only a fraction of the data. ExCIR quantifies sign-aligned co-movement between features and model outputs after \emph{robust centering} (subtracting a robust location estimate, e.g., median or mid-mean, from features and outputs). We further introduce \textsc{BlockCIR}, a \emph{groupwise} extension of ExCIR that scores \emph{sets} of correlated features as a single unit. By aggregating the same signed-co-movement numerators and magnitudes over predefined or data-driven groups, \textsc{BlockCIR} mitigates double-counting in collinear clusters (e.g., synonyms or duplicated sensors) and yields smoother, more stable rankings when strong dependencies are present. Across diverse text, tabular, signal, and image datasets, ExCIR shows trustworthy agreement with established global baselines and the full model, delivers consistent top-$k$ rankings across settings, and reduces runtime via lightweight evaluation on a subset of rows. Overall, ExCIR provides \emph{computationally efficient}, \emph{consistent}, and \emph{scalable} explainability for real-world deployment.
• Abstract（参考訳）: 説明可能なAI(XAI)は、現代的モデルがより複雑になり、高度なアプリケーションには透明性、信頼、規制の遵守が求められているため、ますます重要になっている。 既存のグローバル属性法は、しばしば高い計算コストを発生させ、相関入力の安定性を欠き、大規模または異種データセットに効率よくスケールできない。 これらのギャップを相関インパクト比による説明可能性 (Explainability through correlation Impact Ratio) を用いて解決する。これは相関を意識した属性スコアであり、軽量な転送プロトコルを備え、データの一部のみを用いてフルモデルランキングを再現する。 ExCIR は \emph{robust centering} (例えば、中央値または中間値のロバストな位置推定を特徴と出力から抽出する) の後、特徴とモデル出力の間の符号整合コムーブメントを定量化する。 ExCIR の \emph{groupwise} 拡張である \textsc{BlockCIR} も導入する。 同じ符号付き共同動数演算子と大小を事前定義またはデータ駆動のグループに集約することにより、 \textsc{BlockCIR} はコリニアクラスタ(例えば、同義語や重複センサー)における二重カウントを緩和し、強い依存が存在する場合によりスムーズで安定したランクを得る。 さまざまなテキスト、表、信号、イメージデータセットにまたがって、ExCIRは、確立されたグローバルベースラインとフルモデルとの信頼性の高い合意を示し、設定全体にわたって一貫したトップ100ドルのランキングを提供し、行のサブセットに対する軽量な評価によってランタイムを削減している。 全体として、ExCIRは現実世界のデプロイに対して \emph{computationally efficient} 、 \emph{consistent} 、 \emph{scalable} の説明可能性を提供する。

関連論文リスト

• Evaluating Knowledge Graph Complexity via Semantic, Spectral, and Structural Metrics for Link Prediction [0.0]
  構造的およびセマンティックなKG複雑性メトリクスのセットを導入し、ベンチマークする。 CSGはパラメトリゼーションに非常に敏感であり,クラス数に強く対応していない。 CSGは,リンク予測設定において,安定性と一般化予測能力が保たないことを実証した。
  論文  参考訳（メタデータ） (2025-08-21T06:27:20Z)
• HOPSE: Scalable Higher-Order Positional and Structural Encoder for Combinatorial Representations [7.494692635491467]
  トポロジカルディープラーニング(TDL)は、高次相互作用に対応するためにより一般的な表現を使用する。 既存のTDLメソッドは、しばしば高次メッセージパッシング(HOMP)を通してGNNを拡張する。 本研究は,高次関係相互作用を含む課題を解決する方法として,HOPSEを提案する。
  論文  参考訳（メタデータ） (2025-05-21T11:47:40Z)
• TD3: Tucker Decomposition Based Dataset Distillation Method for Sequential Recommendation [50.23504065567638]
  本稿では,メタラーニングフレームワークにおける textbfDataset textbfDistillation 手法である textbfTD3 を紹介する。 TD3は、オリジナルのデータから完全に表現力のある合成配列の要約を蒸留する。 拡張技術により、学習者は合成要約を忠実に適合させ、アンプループでの正確な更新を確実にすることができる。
  論文  参考訳（メタデータ） (2025-02-05T03:13:25Z)
• Context-Aware Hierarchical Merging for Long Document Summarization [56.96619074316232]
  本論文では,階層的なマージをソース文書からコンテキストと統合する手法を提案する。 法的および物語的領域を表すデータセットの実験結果は、文脈的拡張がゼロショットと階層的な融合ベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-03T01:14:31Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• SMaRt: Improving GANs with Score Matching Regularity [114.43433222721025]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることがわかった。 提案手法は, 実世界のデータセットにおいて, 近似スコア関数として機能する事前学習拡散モデルを用いて, 最先端のGANの性能を継続的に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• Flag Aggregator: Scalable Distributed Training under Failures and Augmented Losses using Convex Optimization [14.732408788010313]
  MLアプリケーションはますます、複雑なディープラーニングモデルと大規模なデータセットに依存している。 計算とデータをスケールするために、これらのモデルはノードのクラスタ内で分散的にトレーニングされ、それらの更新はモデルに適用される前に集約される。 これらの設定にデータ拡張を加えることで、堅牢で効率的なアグリゲーションシステムが必要である。 この手法は,最先端のビザンツ系レジリエントアグリゲータのロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-02-12T06:38:30Z)
• Disentanglement and Generalization Under Correlation Shifts [22.499106910581958]
  実世界のデータでは、変動要因間の相関が一般的である。 機械学習アルゴリズムは、ノイズの多いデータに対する予測性能を高めることができるため、そのような相関を利用する利点がある。 潜在部分空間の様々な要因を捉える表現を学習することを目的としている。
  論文  参考訳（メタデータ） (2021-12-29T18:55:17Z)

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。