論文の概要: Actionable and diverse counterfactual explanations incorporating domain knowledge and causal constraints

• arxiv url: http://arxiv.org/abs/2511.20236v2
• Date: Fri, 28 Nov 2025 07:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 15:47:02.741803
• Title: Actionable and diverse counterfactual explanations incorporating domain knowledge and causal constraints
• Title（参考訳）: ドメイン知識と因果制約を取り入れた行動的・多様な反事実的説明
• Authors: Szymon Bobek, Łukasz Bałec, Grzegorz J. Nalepa,
• Abstract要約: 電子メールマーケティング分野におけるサイバーセキュリティアプリケーションに動機づけられた我々は、Diverse, Actionable, and kNowledge-Constrained Explanations (DANCE) を生成する方法を提案する。 提案手法は,データから線形および非線形な制約を学習したり,専門家が提案する依存性グラフを統合して,対策が確実かつ実行可能なことを保証する。 この研究はポーランド最大の電子メールマーケティング会社であるFreshmailによる実生活事例調査に基づいて開発され、共同研究開発プロジェクトであるSendguardが支援している。
• 参考スコア（独自算出の注目度）: 6.99674326582747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual explanations enhance the actionable interpretability of machine learning models by identifying the minimal changes required to achieve a desired outcome of the model. However, existing methods often ignore the complex dependencies in real-world datasets, leading to unrealistic or impractical modifications. Motivated by cybersecurity applications in the email marketing domain, we propose a method for generating Diverse, Actionable, and kNowledge-Constrained Explanations (DANCE), which incorporates feature dependencies and causal constraints to ensure plausibility and real-world feasibility of counterfactuals. Our method learns linear and nonlinear constraints from data or integrates expert-provided dependency graphs, ensuring counterfactuals are plausible and actionable. By maintaining consistency with feature relationships, the method produces explanations that align with real-world constraints. Additionally, it balances plausibility, diversity, and sparsity, effectively addressing key limitations in existing algorithms. The work is developed based on a real-life case study with Freshmail, the largest email marketing company in Poland and supported by a joint R&D project Sendguard. Furthermore, we provide an extensive evaluation using 140 public datasets, which highlights its ability to generate meaningful, domain-relevant counterfactuals that outperform other existing approaches based on widely used metrics. The source code for reproduction of the results can be found in a GitHub repository we provide.
• Abstract（参考訳）: 対実的な説明は、機械学習モデルの望ましい結果を達成するために必要な最小限の変更を特定することによって、機械学習モデルの実行可能な解釈可能性を高める。 しかし、既存の手法は実世界のデータセットの複雑な依存関係を無視し、非現実的あるいは非現実的な修正をもたらすことが多い。 電子メールマーケティング領域におけるサイバーセキュリティアプリケーションによって動機付けられ,機能依存と因果制約を組み込んだDiverse, Actionable, kNowledge-Constrained Explanations (DANCE) の生成手法を提案する。 提案手法は,データから線形および非線形な制約を学習したり,専門家が提案する依存性グラフを統合して,対策が確実かつ実行可能なことを保証する。 特徴関係との整合性を維持することにより、実世界の制約に整合した説明を生成する。 さらに、ポーラビリティ、多様性、およびスパーシリティのバランスをとり、既存のアルゴリズムの重要な制限に効果的に対処する。 この研究はポーランド最大の電子メールマーケティング会社であるFreshmailによる実生活事例調査に基づいて開発され、共同研究開発プロジェクトであるSendguardが支援している。 さらに、140の公開データセットを使用して広範な評価を行い、広く使用されているメトリクスに基づいて既存のアプローチを上回る有意義なドメイン関連カウンターファクトを生成する能力を強調します。 結果の再現のためのソースコードは、私たちが提供しているGitHubリポジトリにある。

関連論文リスト

• RealAC: A Domain-Agnostic Framework for Realistic and Actionable Counterfactual Explanations [7.578439720012189]
  RealACは、現実的で行動可能な対物を生成するためのドメインに依存しないフレームワークである。 RealACは、明示的なドメイン知識に頼ることなく、複雑な機能間の依存関係を自動的に保存する。
  論文  参考訳（メタデータ） (2025-08-14T08:51:39Z)
• DiCoFlex: Model-agnostic diverse counterfactuals with flexible control [0.0]
  モデルに依存しない条件付き生成フレームワークであるDiCoFlexを提案する。 DiCoFlexは、妥当性、多様性、近接性、制約の順守という点で、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-29T17:37:47Z)
• Crossing the Reward Bridge: Expanding RL with Verifiable Rewards Across Diverse Domains [92.36624674516553]
  検証可能な報酬付き強化学習(RLVR)は、大規模言語モデル(LLM)の数学的推論と符号化性能の向上に成功している。 本稿では,医学,化学,心理学,経済学,教育など,さまざまな現実世界領域におけるRLVRの有効性と拡張性について検討する。 我々は,2値検証による制限を克服するために,ソフトなモデルに基づく報酬信号を生成する生成的スコアリング手法を利用する。
  論文  参考訳（メタデータ） (2025-03-31T08:22:49Z)
• Transfer Learning through Enhanced Sufficient Representation: Enriching Source Domain Knowledge with Target Data [2.308168896770315]
  TESR(Enhanced Sufficient Representation)によるトランスファーラーニング(Transfer Learning)と呼ばれる新しいトランスファーラーニング手法を提案する。 私たちのアプローチは、ソースドメインから十分かつ不変な表現を推定することから始まります。 この表現は、ターゲットデータから派生した独立したコンポーネントで拡張され、ターゲットドメインに十分で、その特定の特性に適応できることが保証される。
  論文  参考訳（メタデータ） (2025-02-22T13:18:28Z)
• Efficient Transfer Learning via Causal Bounds [8.981637739384674]
  我々は、因果側情報がどのようにオンライン学習を加速するかを分析し、データ削減の実験を行う。 我々の分析は、因果側情報がどのようにオンライン学習を加速させるか、およびデータ削減の実験を正確に特徴付ける。
  論文  参考訳（メタデータ） (2023-08-07T13:24:50Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)

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。