論文の概要: Optimal Transport Group Counterfactual Explanations

• arxiv url: http://arxiv.org/abs/2601.20692v1
• Date: Wed, 28 Jan 2026 15:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.995966
• Title: Optimal Transport Group Counterfactual Explanations
• Title（参考訳）: 最適輸送グループカウンターファクチュアルな説明
• Authors: Enrique Valero-Leal, Bernd Bischl, Pedro Larrañaga, Concha Bielza, Giuseppe Casalicchio,
• Abstract要約: グループの反実的説明は、入力インスタンスのグループを対照的に説明するための反実的事例の集合を見つける。 我々は、任意のグループインスタンスを再最適化することなく、その逆ファクトに送信する明示的な最適輸送マップを学習する。 実験により、群幾何学を正確に一般化し、保存し、無視できる追加輸送コストのみを発生させることが示されている。
• 参考スコア（独自算出の注目度）: 15.277896909284296
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Group counterfactual explanations find a set of counterfactual instances to explain a group of input instances contrastively. However, existing methods either (i) optimize counterfactuals only for a fixed group and do not generalize to new group members, (ii) strictly rely on strong model assumptions (e.g., linearity) for tractability or/and (iii) poorly control the counterfactual group geometry distortion. We instead learn an explicit optimal transport map that sends any group instance to its counterfactual without re-optimization, minimizing the group's total transport cost. This enables generalization with fewer parameters, making it easier to interpret the common actionable recourse. For linear classifiers, we prove that functions representing group counterfactuals are derived via mathematical optimization, identifying the underlying convex optimization type (QP, QCQP, ...). Experiments show that they accurately generalize, preserve group geometry and incur only negligible additional transport cost compared to baseline methods. If model linearity cannot be exploited, our approach also significantly outperforms the baselines.
• Abstract（参考訳）: グループの反実的説明は、入力インスタンスのグループを対照的に説明するための反実的事例の集合を見つける。 しかし、既存の方法もある。 (i) 固定群に限って反事実を最適化し、新しいグループメンバーに一般化しない。 (ii) トラクタビリティや/および/に対する強いモデル仮定(例えば、線形性)に厳密に依存する 3) 対実群幾何学的歪みの制御が不十分である。 代わりに、任意のグループのインスタンスを、再最適化することなく、そのグループの総輸送コストを最小限に抑える、明示的な最適輸送マップを学ぶ。 これにより、より少ないパラメータで一般化することができ、共通の実行可能な会話を解釈しやすくなる。 線形分類器に対して、群反事実を表す関数は数学的最適化によって導出され、基礎となる凸最適化タイプ(QP, QCQP, ...)を特定する。 実験により、群幾何学を正確に一般化し、保存し、ベースライン法と比較して無視できる追加輸送コストのみを発生させることが示されている。 モデル線形性を活用できない場合、我々のアプローチはベースラインを著しく上回る。

関連論文リスト

• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• S-CFE: Simple Counterfactual Explanations [22.262567049579648]
  スパースデータに対する多様体対応の反実的説明を求める問題に対処する。 提案手法は,スパースかつ多様体に整列した反実的説明を効果的に生成する。
  論文  参考訳（メタデータ） (2024-10-21T07:42:43Z)
• Discovering Abstract Symbolic Relations by Learning Unitary Group Representations [7.303827428956944]
  記号演算完了(SOC)の原理的アプローチについて検討する。 SOCは離散記号間の抽象的関係をモデル化する際、ユニークな挑戦となる。 SOCは最小限のモデル(双線型写像)で、新しい分解アーキテクチャで効率的に解けることを実証する。
  論文  参考訳（メタデータ） (2024-02-26T20:18:43Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Commutative Lie Group VAE for Disentanglement Learning [96.32813624341833]
  本研究では,データに表される因子の変動を同変的に反映する基盤構造を見いだすこととして,非絡み合い学習を考察する。 グループベースの非絡み合い学習を実現するために、Communative Lie Group VAEというシンプルなモデルが導入された。 実験により,本モデルでは,教師なしの非絡み合い表現を効果的に学習し,余分な制約を伴わずに最先端のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-06-07T07:03:14Z)
• GroupifyVAE: from Group-based Definition to VAE-based Unsupervised Representation Disentanglement [91.9003001845855]
  他の誘導バイアスを導入しないと、VAEベースの非監視的非絡み合いは実現できない。 グループ理論に基づく定義から導かれる制約を非確率的帰納的バイアスとして活用し,vaeに基づく教師なし不連続に対処する。 提案手法の有効性を検証するために,5つのデータセット上で,vaeベースモデルが最も目立つ1800モデルをトレーニングした。
  論文  参考訳（メタデータ） (2021-02-20T09:49:51Z)

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。