論文の概要: PAR: Plausibility-aware Amortized Recourse Generation

• arxiv url: http://arxiv.org/abs/2601.17309v1
• Date: Sat, 24 Jan 2026 05:12:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.512252
• Title: PAR: Plausibility-aware Amortized Recourse Generation
• Title（参考訳）: PAR: 可塑性認識型リコース生成
• Authors: Anagha Sabu, Vidhya S, Narayanan C Krishnan,
• Abstract要約: 制約付き最大A-Posteriori(MAP)推論問題としてレコースを定式化する。 提案するPARは,確率の高い推論を効率的に生成する近似推論法である。 提案手法は,広く使用されているアルゴリズム的リコースデータセット上でPARを検証し,有効であるリコースを生成する際の効率を実証する。
• 参考スコア（独自算出の注目度）: 0.8538830579425144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic recourse aims to recommend actionable changes to a factual's attributes that flip an unfavorable model decision while remaining realistic and feasible. We formulate recourse as a Constrained Maximum A-Posteriori (MAP) inference problem under the accepted-class data distribution seeking counterfactuals with high likelihood while respecting other recourse constraints. We present PAR, an amortized approximate inference procedure that generates highly likely recourses efficiently. Recourse likelihood is estimated directly using tractable probabilistic models that admit exact likelihood evaluation and efficient gradient propagation that is useful during training. The recourse generator is trained with the objective of maximizing the likelihood under the accepted-class distribution while minimizing the likelihood under the denied-class distribution and other losses that encode recourse constraints. Furthermore, PAR includes a neighborhood-based conditioning mechanism to promote recourse generation that is customized to a factual. We validate PAR on widely used algorithmic recourse datasets and demonstrate its efficiency in generating recourses that are valid, similar to the factual, sparse, and highly plausible, yielding superior performance over existing state-of-the-art approaches.
• Abstract（参考訳）: アルゴリズム的リコースは、現実的で実現可能なまま、好ましくないモデル決定を覆す、現実的な属性に対する実行可能な変更を推奨することを目的としている。 本稿では,制約付き最大A-Posteriori(MAP)推論問題として,他の制約を尊重しながら高い確率で反現実性を求める許容クラスデータ分布を定式化する。 提案するPARは,確率の高い推論を効率的に生成する近似推論法である。 リコース確率は、訓練中に有用である正確な確度評価と効率的な勾配伝播を許容するトラクタブル確率モデルを用いて直接推定される。 リコース生成装置は、承認されたクラス分布下での可能性の最大化と、否定されたクラス分布下での可能性の最小化と、リコース制約を符号化するその他の損失の最小化を目標として訓練される。 さらに、PARは、事実に合わせてカスタマイズされたリコース生成を促進するために、近所ベースの条件付け機構を含む。 PARを広く使われているアルゴリズム的リコースデータセット上で検証し、その有効性を示す。

関連論文リスト

• Probabilistically Plausible Counterfactual Explanations with Normalizing Flows [2.675793767640172]
  本稿では,確率論的に妥当な反事実的説明を生成する新しい手法であるPPCEFを提案する。 本手法は, パラメータ分布の特定の族を仮定することなく, 明示密度関数を直接最適化することにより, 精度を向上する。 PPCEFは、機械学習モデルを解釈し、公正性、説明責任、AIシステムの信頼を改善するための強力なツールである。
  論文  参考訳（メタデータ） (2024-05-27T20:24:03Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• CountARFactuals -- Generating plausible model-agnostic counterfactual explanations with adversarial random forests [9.598670034160763]
  ARFは可視性尺度として機能するか、あるいは反現実的な説明を直接生成することができる。 訓練や計算の効率化が容易で、連続データや分類データを自然に扱うことができ、空間性などのデシラタを直接的な方法で統合することができる。
  論文  参考訳（メタデータ） (2024-04-04T15:10:13Z)
• Distributionally Robust Recourse Action [12.139222986297263]
  recourseアクションは、別の結果を受け取るためにインスタンスを修正できる特定の方法を示すことで、特定のアルゴリズム上の決定を説明することを目的としている。 本研究では、モデルシフトの混合の下で有効となる確率の高いリコースアクションを生成する分散ロバスト・リコース・アクション(DiRRAc)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-22T08:52:01Z)
• Mitigating Algorithmic Bias with Limited Annotations [65.060639928772]
  機密属性が公開されていない場合、バイアスを軽減するために、トレーニングデータの小さな部分を手動でアノテートする必要がある。 本稿では,アルゴリズムバイアスの影響を最大限に排除するために,限定アノテーションを誘導する対話型フレームワークであるアクティブペナライゼーション・オブ・差別(APOD)を提案する。 APODは完全なアノテートバイアス緩和と同等のパフォーマンスを示しており、機密情報が制限された場合、APODが現実世界のアプリケーションに利益をもたらすことを実証している。
  論文  参考訳（メタデータ） (2022-07-20T16:31:19Z)
• 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)
• Probabilistically Robust Recourse: Navigating the Trade-offs between Costs and Robustness in Algorithmic Recourse [34.39887495671287]
  本稿では,達成された(反感)と所望のリコース無効率とのギャップを同時に最小化する目的関数を提案する。 我々は,任意のインスタンスに対応するリコース無効化率を特徴付けるために,新しい理論的結果を開発した。 複数の実世界のデータセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-13T21:39:24Z)

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。