論文の概要: Interpretability-Guided Bi-objective Optimization: Aligning Accuracy and Explainability

• arxiv url: http://arxiv.org/abs/2601.00655v2
• Date: Tue, 06 Jan 2026 15:21:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 13:14:29.371156
• Title: Interpretability-Guided Bi-objective Optimization: Aligning Accuracy and Explainability
• Title（参考訳）: 解釈可能性に基づく双方向最適化:精度と説明可能性の調整
• Authors: Kasra Fouladi, Hamta Rahmani,
• Abstract要約: IGBOがDAG(Directed Acyclic Graph)として特徴重要階層を符号化 中心極限定理に基づくDAGの構成は、エッジ方向の決定の統計的妥当性を保証する。 DAG制約を最小限の精度で強制するIGBOの有効性は、標準正規化基準よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper introduces Interpretability-Guided Bi-objective Optimization (IGBO), a framework that trains interpretable models by incorporating structured domain knowledge via a bi-objective formulation. IGBO encodes feature importance hierarchies as a Directed Acyclic Graph (DAG) via Central Limit Theorem-based construction and uses Temporal Integrated Gradients (TIG) to measure feature importance. To address the Out-of-Distribution (OOD) problem in TIG computation, we propose an Optimal Path Oracle that learns data-manifold-aware integration paths. Theoretical analysis establishes convergence properties via a geometric projection mapping $\mathcal{P}$ and proves robustness to mini-batch noise. Central Limit Theorem-based construction of the interpretability DAG ensures statistical validity of edge orientation decisions. Empirical results on time-series data demonstrate IGBO's effectiveness in enforcing DAG constraints with minimal accuracy loss, outperforming standard regularization baselines.
• Abstract（参考訳）: 本稿では,解釈可能性誘導型ビオブジェクト最適化(IGBO, Interpretability-Guided Bi-objective Optimization)を提案する。 IGBOは、中央極限定理に基づく構築を通じてDAG(Directed Acyclic Graph)として特徴重要階層を符号化し、特徴重要度を測定するために時間統合勾配(TIG)を用いる。 TIG計算におけるOOD(Out-of-Distribution)問題に対処するため,データマニフォールド対応統合パスを学習する最適パスOracleを提案する。 理論解析は幾何学的射影写像 $\mathcal{P}$ を通じて収束性を確立し、ミニバッチノイズに対するロバスト性を証明する。 中央極限定理に基づく解釈可能性DAGの構成は、エッジ方向決定の統計的妥当性を保証する。 時系列データを用いた実験結果から、IGBOがDAG制約を最小限の精度で適用し、標準正規化ベースラインを上回ったことを示す。

関連論文リスト

• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
  本稿では,AW性能予測のための統合フレームワークGLOWを提案する。 GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。 FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-11T13:30:46Z)
• Graph Structure Learning with Temporal Graph Information Bottleneck for Inductive Representation Learning [1.3728301825671199]
  グラフ構造学習(GSL)と時間グラフ情報ボット(TGIB)を統合する汎用フレームワークを提案する。 ノード近傍を拡張・最適化する2段階のGSL構造拡張器を設計する。 TGIBは、情報ボトルネックの原則を時間グラフに拡張し、エッジと機能の両方を正規化することで、最適化されたグラフを洗練する。
  論文  参考訳（メタデータ） (2025-08-20T17:13:19Z)
• Learning Causal Graphs at Scale: A Foundation Model Approach [28.966180222166766]
  複数線形構造方程式モデル(SEM)を学習するための新しい注意機構に基づくアーキテクチャであるAttention-DAG(ADAG)を提案する。 ADAGは、非線形アテンションベースのカーネルを介して、観測データからグラフ構造とパラメータの両方へのマッピングを学習する。 提案手法をベンチマークデータセット上で評価し,DAG学習精度とゼロショット推論効率の両方において,ADAGが大幅に向上することを確認した。
  論文  参考訳（メタデータ） (2025-06-23T04:41:02Z)
• Binarization-Aware Adjuster: Bridging Continuous Optimization and Binary Inference in Edge Detection [0.0]
  画像エッジ検出(ED)は、トレーニングと推論の根本的なミスマッチに直面します。 本稿では,バイナリ化アウェア (BAA) を設計するための理論的手法を提案する。 BAAは二項化の挙動を勾配に基づく最適化に明示的に組み入れている。
  論文  参考訳（メタデータ） (2025-06-14T11:56:44Z)
• Enhancing Missing Data Imputation through Combined Bipartite Graph and Complete Directed Graph [18.06658040186476]
  BCGNN(Bipartite and Complete Directed Graph Neural Network)という新しいフレームワークを導入する。 BCGNN内では、観察と特徴は2つの異なるノードタイプとして区別され、観察された特徴の値はそれらをリンクする属性付きエッジに変換される。 並行して、完全な有向グラフセグメントは、機能間の複雑な相互依存性を網羅し、伝達する。
  論文  参考訳（メタデータ） (2024-11-07T17:48:37Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)

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。