論文の概要: A Novel Approach to Explainable AI with Quantized Active Ingredients in Decision Making

• arxiv url: http://arxiv.org/abs/2601.08733v1
• Date: Tue, 13 Jan 2026 17:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.301674
• Title: A Novel Approach to Explainable AI with Quantized Active Ingredients in Decision Making
• Title（参考訳）: 量子化能動イングレディエントを用いた説明可能なAIの新しい手法
• Authors: A. M. A. S. D. Alagiyawanna, Asoka Karunananda, Thushari Silva, A. Mahasinghe,
• Abstract要約: 我々は、量子ボルツマンマシン(QBM)と古典ボルツマンマシン(CBM)との比較研究に基づいて、説明可能なAIフレームワークを提案する。 古典的な機械学習における量子コンピューティングの原理を活用して、意思決定に関する実質的な透明性を提供します。 そこで本研究では,QBMとSHAP(SHapley Additive exPlanations)をCBMに導入し,特徴属性の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence (AI) systems have shown good success at classifying. However, the lack of explainability is a true and significant challenge, especially in high-stakes domains, such as health and finance, where understanding is paramount. We propose a new solution to this challenge: an explainable AI framework based on our comparative study with Quantum Boltzmann Machines (QBMs) and Classical Boltzmann Machines (CBMs). We leverage principles of quantum computing within classical machine learning to provide substantive transparency around decision-making. The design involves training both models on a binarised and dimensionally reduced MNIST dataset, where Principal Component Analysis (PCA) is applied for preprocessing. For interpretability, we employ gradient-based saliency maps in QBMs and SHAP (SHapley Additive exPlanations) in CBMs to evaluate feature attributions.QBMs deploy hybrid quantum-classical circuits with strongly entangling layers, allowing for richer latent representations, whereas CBMs serve as a classical baseline that utilises contrastive divergence. Along the way, we found that QBMs outperformed CBMs on classification accuracy (83.5% vs. 54%) and had more concentrated distributions in feature attributions as quantified by entropy (1.27 vs. 1.39). In other words, QBMs not only produced better predictive performance than CBMs, but they also provided clearer identification of "active ingredient" or the most important features behind model predictions. To conclude, our results illustrate that quantum-classical hybrid models can display improvements in both accuracy and interpretability, which leads us toward more trustworthy and explainable AI systems.
• Abstract（参考訳）: 人工知能(AI)システムは分類において大きな成功を収めている。 しかし、説明責任の欠如は真で重要な課題であり、特に理解が最重要である健康や金融といった高水準の領域では顕著である。 本稿では,量子ボルツマンマシン (QBM) と古典ボルツマンマシン (CBM) との比較研究に基づく,説明可能なAIフレームワークを提案する。 古典的な機械学習における量子コンピューティングの原理を活用して、意思決定に関する実質的な透明性を提供します。 この設計では、主成分分析(PCA)を前処理に適用する二項化および次元縮小MNISTデータセット上で、両方のモデルをトレーニングする。 本稿では,QBM における勾配型塩分マップと SHAP (SHapley Additive exPlanations) を用いて特徴属性の評価を行う。QBM は強いエンタングリング層を持つハイブリッド量子古典回路をデプロイし,よりリッチな潜伏表現を実現する一方,CBM は対照的な分散性を利用する古典的ベースラインとして機能する。 その過程で,QBMは分類精度(83.5%対54%)でCBMよりも優れており,エントロピーによって定量された特徴属性(1.27対1.39)ではより集中分布が見られた。 言い換えれば、QBMはCBMよりも優れた予測性能を生み出しただけでなく、モデル予測の背後にある最も重要な特徴である「有効成分」の明確な識別も提供した。 結論として,量子古典ハイブリッドモデルでは,精度と解釈性の両方の改善が示され,信頼性が高く説明可能なAIシステムへと導かれることが示唆された。

関連論文リスト

• QuXAI: Explainers for Hybrid Quantum Machine Learning Models [1.0225653612678713]
  この研究は、ハイブリッド機械学習システムにおける機能の重要性を説明するための説明器QuXAIを紹介する。 我々のモデルは、量子特徴写像を取り入れたHQMLモデルの作成、Q-MEDLEYの使用、特徴ベースの推論の組み合わせ、量子変換ステージの保存、および結果の属性の可視化を含む。 以上の結果から,Q-MEDLEYはHQMLモデルにおいて重要な古典的側面を表現し,ノイズを分離し,既存のXAI技術とよく競合することを示す。
  論文  参考訳（メタデータ） (2025-05-15T10:51:34Z)
• EQ-CBM: A Probabilistic Concept Bottleneck with Energy-based Models and Quantized Vectors [4.481898130085069]
  概念ボトルネックモデル(CBM)は、人間の理解可能な概念を活用して解釈可能性を高める効果的なアプローチとして注目されている。 既存のCBMは、決定論的概念の符号化と一貫性のない概念への依存によって問題に直面し、不正確な結果となった。 本稿では,確率論的概念エンコーディングによりCBMを強化する新しいフレームワークであるEQ-CBMを提案する。
  論文  参考訳（メタデータ） (2024-09-22T23:43:45Z)
• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)

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。