論文の概要: Interpretive Efficiency: Information-Geometric Foundations of Data Usefulness
- arxiv url: http://arxiv.org/abs/2512.06341v1
- Date: Sat, 06 Dec 2025 08:11:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.309391
- Title: Interpretive Efficiency: Information-Geometric Foundations of Data Usefulness
- Title（参考訳）: 解釈効率:データ有用性の情報幾何学的基礎
- Authors: Ronald Katende,
- Abstract要約: 解釈可能性(interpretability)は、信頼できる機械学習の中心であるが、既存のメトリクスは、データが解釈表現をどのように効果的にサポートするかを定量化することは滅多にない。
本稿では,解釈チャネルを介して伝達されるタスク関連情報の分数を測定する,正規化されたタスク認識機能である解釈効率を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interpretability is central to trustworthy machine learning, yet existing metrics rarely quantify how effectively data support an interpretive representation. We propose Interpretive Efficiency, a normalized, task-aware functional that measures the fraction of task-relevant information transmitted through an interpretive channel. The definition is grounded in five axioms ensuring boundedness, Blackwell-style monotonicity, data-processing stability, admissible invariance, and asymptotic consistency. We relate the functional to mutual information and derive a local Fisher-geometric expansion, then establish asymptotic and finite-sample estimation guarantees using standard empirical-process tools. Experiments on controlled image and signal tasks demonstrate that the measure recovers theoretical orderings, exposes representational redundancy masked by accuracy, and correlates with robustness, making it a practical, theory-backed diagnostic for representation design.
- Abstract（参考訳）: 解釈可能性(interpretability)は、信頼できる機械学習の中心であるが、既存のメトリクスは、データが解釈表現をどのように効果的にサポートするかを定量化することは滅多にない。
本稿では,解釈チャネルを介して伝達されるタスク関連情報の分数を測定する,正規化されたタスク認識機能である解釈効率を提案する。
この定義は、有界性、ブラックウェルスタイルの単調性、データ処理安定性、許容不変不変性、漸近一貫性を保証する5つの公理に基礎を置いている。
機能的情報を相互に関連付け,局所的なフィッシャー幾何学的展開を導出し,その上で,標準的な経験的ツールを用いて漸近的,有限サンプル推定保証を確立する。
制御された画像と信号のタスクの実験は、この尺度が理論的な順序を回復し、精度でマスクされた表現の冗長性を露呈し、ロバストさと相関し、表現設計のための実用的で理論的に支援された診断であることを示す。
関連論文リスト
- Reliable and Reproducible Demographic Inference for Fairness in Face Analysis [63.46525489354455]
本稿では、従来のエンドツーエンドトレーニングをモジュラートランスファー学習アプローチで置き換える、完全に再現可能なDAIパイプラインを提案する。
このパイプラインは、正確性、公正性、そしてアイデンティティ内整合性によって定義される、新たに導入された堅牢性の概念の3つの次元にわたって監査する。
以上の結果から,提案手法は特に民族性において,強い基準線を上回り,その特性はより困難であることが示唆された。
論文 参考訳（メタデータ） (2025-10-23T12:22:02Z) - Interpretable Feature Interaction via Statistical Self-supervised Learning on Tabular Data [22.20955211690874]
Spofeは、統計的厳密さによる明確な解釈可能性を達成するために、原則化された表現をキャプチャする、新しい自己教師型機械学習パイプラインである。
このアプローチの基盤となるのは、正確なエラー境界と厳密な偽発見率(FDR)制御を提供する、堅牢な理論フレームワークです。
さまざまな実世界のデータセットの実験は、Spotfeの有効性を実証している。
論文 参考訳（メタデータ） (2025-03-23T12:27:42Z) - Disentangled Representation Learning with Transmitted Information Bottleneck [57.22757813140418]
textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
論文 参考訳（メタデータ） (2023-11-03T03:18:40Z) - Quantifying Representation Reliability in Self-Supervised Learning Models [12.485580780944083]
自己教師付き学習モデルは、データから汎用的な表現を抽出する。
表現信頼性の形式的定義を導入する。
本稿では,下流タスクを優先課題と知らずに表現信頼性を推定するアンサンブルに基づく手法を提案する。
論文 参考訳（メタデータ） (2023-05-31T21:57:33Z) - A Functional Information Perspective on Model Interpretation [30.101107406343665]
この研究は、モデル解釈可能性の理論的な枠組みを示唆している。
機能的フィッシャー情報によって機能的エントロピーを束縛する対数ソボレフの不等式に依存している。
提案手法は,様々なデータ信号に対する既存の解釈可能性サンプリング手法を超越していることを示す。
論文 参考訳（メタデータ） (2022-06-12T09:24:45Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z) - Robust Learning Through Cross-Task Consistency [92.42534246652062]
クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。
クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
論文 参考訳（メタデータ） (2020-06-07T09:24:33Z)
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。