論文の概要: ECSEL: Explainable Classification via Signomial Equation Learning

• arxiv url: http://arxiv.org/abs/2601.21789v1
• Date: Thu, 29 Jan 2026 14:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.895979
• Title: ECSEL: Explainable Classification via Signomial Equation Learning
• Title（参考訳）: ECSEL: シグナミカル方程式学習による説明可能な分類
• Authors: Adia Lumadjeng, Ilker Birbil, Erman Acar,
• Abstract要約: ECSELは、形式式をシグナミカル方程式の形で学習する説明可能な計算法である。 本稿では,ECSELが解釈性を犠牲にすることなく,既存の機械学習モデルと競合する分類精度を実現することを示す。
• 参考スコア（独自算出の注目度）: 3.3772986620114387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce ECSEL, an explainable classification method that learns formal expressions in the form of signomial equations, motivated by the observation that many symbolic regression benchmarks admit compact signomial structure. ECSEL directly constructs a structural, closed-form expression that serves as both a classifier and an explanation. On standard symbolic regression benchmarks, our method recovers a larger fraction of target equations than competing state-of-the-art approaches while requiring substantially less computation. Leveraging this efficiency, ECSEL achieves classification accuracy competitive with established machine learning models without sacrificing interpretability. Further, we show that ECSEL satisfies some desirable properties regarding global feature behavior, decision-boundary analysis, and local feature attributions. Experiments on benchmark datasets and two real-world case studies i.e., e-commerce and fraud detection, demonstrate that the learned equations expose dataset biases, support counterfactual reasoning, and yield actionable insights.
• Abstract（参考訳）: 我々は,多くの記号的回帰ベンチマークがコンパクトなシグナミカル構造を認めているという観察から動機付けられた,シグナミカル方程式の形式式を学習する説明可能な分類法ECSELを紹介する。 ECSELは、分類器と説明器の両方として機能する構造的でクローズドな式を直接構築する。 標準的なシンボリック回帰ベンチマークでは,提案手法は競合する最先端の手法よりも目標方程式の少なさを回復するが,計算量は大幅に削減される。 この効率を活用して、ECSELは解釈性を犠牲にすることなく、確立された機械学習モデルと競合する分類精度を達成する。 さらに、ECSELは、グローバルな特徴行動、決定境界分析、局所的特徴属性に関する望ましい性質を満足していることを示す。 ベンチマークデータセットの実験と、eコマースと不正検出の2つの実世界のケーススタディは、学習された方程式がデータセットバイアスを露出し、反実的推論をサポートし、行動可能な洞察を得ることを示した。

関連論文リスト

• From STLS to Projection-based Dictionary Selection in Sparse Regression for System Identification [1.7341202786497238]
  我々は辞書に基づくスパースレグレッション、特にシークエンシャルThreshold Least Squares(STLS)を再考する。 SINDy型アルゴリズムに重点を置いたデータ駆動型モデリングのための実践的ガイダンスを提供するためのスコア誘導型ライブラリ選択を提案する。
  論文  参考訳（メタデータ） (2025-12-16T13:42:10Z)
• EDC: Equation Discovery for Classification [0.0]
  新たなEDベースのバイナリ分類フレームワークを提案する。 提案手法は,管理可能なサイズの解析関数を求める。 対象方程式の構造とパラメータの値の両方をEDCが発見できることを実証する。
  論文  参考訳（メタデータ） (2025-10-28T11:20:06Z)
• Data-Efficient Symbolic Regression via Foundation Model Distillation [34.0701397977874]
  EQUATEは、蒸留を通じて低データ状態における記号方程式の発見に基礎モデルを適用するフレームワークである。 精度と堅牢性の両方において、最先端のベースラインを一貫して上回る。 これらの結果は、データ効率のシンボリックレグレッションのための実用的で一般化可能なソリューションとして、EQUATEを強調している。
  論文  参考訳（メタデータ） (2025-08-27T00:18:48Z)
• Sparse Interpretable Deep Learning with LIES Networks for Symbolic Regression [22.345828337550575]
  記号回帰は、データを正確に記述する閉形式の数学的表現を発見することを目的としている。 既存のSR手法は、しばしば人口に基づく探索や自己回帰モデリングに依存している。 LIES(Logarithm, Identity, Exponential, Sine)は,シンボル表現のモデル化に最適化された,解釈可能なプリミティブアクティベーションを備えたニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2025-06-09T22:05:53Z)
• Beyond Exact Match: Semantically Reassessing Event Extraction by Large Language Models [65.8478860180793]
  イベント抽出は広範囲の応用により、広範囲の研究が注目されている。 イベント抽出の現在の評価法はトークンレベルの正確な一致に依存している。 イベント抽出のための信頼性とセマンティックな評価フレームワークであるRAEEを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:54:01Z)
• Evaluating Generative Language Models in Information Extraction as Subjective Question Correction [49.729908337372436]
  本稿では,新しい評価手法SQC-Scoreを提案する。 主観的質問訂正の原則に着想を得て,新しい評価手法SQC-Scoreを提案する。 3つの情報抽出タスクの結果から,SQC-Scoreは基準値よりもアノテータの方が好ましいことが示された。
  論文  参考訳（メタデータ） (2024-04-04T15:36:53Z)
• Enriching Disentanglement: From Logical Definitions to Quantitative Metrics [59.12308034729482]
  複雑なデータにおける説明的要素を遠ざけることは、データ効率の表現学習にとって有望なアプローチである。 論理的定義と量的指標の関連性を確立し, 理論的に根ざした絡み合いの指標を導出する。 本研究では,非交叉表現の異なる側面を分離することにより,提案手法の有効性を実証的に実証する。
  論文  参考訳（メタデータ） (2023-05-19T08:22:23Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Using Representation Expressiveness and Learnability to Evaluate Self-Supervised Learning Methods [61.49061000562676]
  本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。 CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。 CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
  論文  参考訳（メタデータ） (2022-06-02T19:05:13Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。