論文の概要: Owen-based Semantics and Hierarchy-Aware Explanation (O-Shap)

• arxiv url: http://arxiv.org/abs/2602.17107v1
• Date: Thu, 19 Feb 2026 06:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.720124
• Title: Owen-based Semantics and Hierarchy-Aware Explanation (O-Shap)
• Title（参考訳）: オーウェンに基づく意味論と階層型知識記述(O-Shap)
• Authors: Xiangyu Zhou, Chenhan Xiao, Yang Weng,
• Abstract要約: 視覚タスクでは、特徴はしばしば強い空間的および意味的依存関係を示す。 現代のSHAP実装には、グループ属性をサポートするShapley値の階層的な一般化であるOwen値が含まれている。 我々は,Owen値がShapley値の基礎を保っていることを示すが,その有効性は特徴群の定義方法に大きく依存する。 本稿では,階層レベルのセマンティックアライメントを確保するために,$T$-propertyを満たす新しいセグメンテーション手法を提案する。
• 参考スコア（独自算出の注目度）: 6.096130289291087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shapley value-based methods have become foundational in explainable artificial intelligence (XAI), offering theoretically grounded feature attributions through cooperative game theory. However, in practice, particularly in vision tasks, the assumption of feature independence breaks down, as features (i.e., pixels) often exhibit strong spatial and semantic dependencies. To address this, modern SHAP implementations now include the Owen value, a hierarchical generalization of the Shapley value that supports group attributions. While the Owen value preserves the foundations of Shapley values, its effectiveness critically depends on how feature groups are defined. We show that commonly used segmentations (e.g., axis-aligned or SLIC) violate key consistency properties, and propose a new segmentation approach that satisfies the $T$-property to ensure semantic alignment across hierarchy levels. This hierarchy enables computational pruning while improving attribution accuracy and interpretability. Experiments on image and tabular datasets demonstrate that O-Shap outperforms baseline SHAP variants in attribution precision, semantic coherence, and runtime efficiency, especially when structure matters.
• Abstract（参考訳）: 共有価値に基づく手法は説明可能な人工知能(XAI)の基礎となり、協調ゲーム理論を通じて理論的に基礎付けられた特徴属性を提供する。 しかし、実際には、特に視覚タスクにおいて、特徴(ピクセル)が強い空間的および意味的依存関係を示すため、特徴独立の仮定は崩壊する。 これを解決するため、現代のSHAP実装には、グループ属性をサポートするShapley値の階層的な一般化であるOwen値が含まれている。 Owen値がShapley値の基礎を保存する一方で、その有効性は機能グループの定義方法に大きく依存する。 一般的なセグメンテーション(例えば、軸アライメントやSLIC)が鍵の整合性に反することを示し、階層レベルのセグメンテーションを確保するために$T$-propertyを満たす新しいセグメンテーションアプローチを提案する。 この階層は、帰属精度と解釈可能性を改善しながら、計算プルーニングを可能にする。 画像と表のデータセットの実験により、O-Shapは、特に構造が重要である場合、帰属精度、セマンティックコヒーレンス、実行効率において、ベースラインSHAPのバリエーションよりも優れていることが示された。

関連論文リスト

• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
  ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。 正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。 8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-03T11:37:46Z)
• No-rank Tensor Decomposition Using Metric Learning [0.0]
  本稿では,計量学習に基づく非ランクテンソル分解フレームワークを提案する。 フレームワークの収束に関する理論的保証を提供し、その計量特性の有界性を確立する。 提案手法は, トランスフォーマーに基づく手法と比較して, より少ないトレーニングデータセットで優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-11-03T18:21:53Z)
• Beyond Shapley Values: Cooperative Games for the Interpretation of Machine Learning Models [0.3749861135832073]
  我々は、協調ゲーム理論を解釈可能性の観点から再考し、そのツールのより広くより原則化された利用を論じる。 We highlight two general general family of efficient allocations, the Weber and Harsanyi set, which extends beyond Shapley values。 本稿では,これらのアロケーション方式の概要を述べるとともに,値関数とアグリゲーション規則の区別を明確にし,信頼性と理論的な特徴属性を構築するための3段階の青写真を紹介する。
  論文  参考訳（メタデータ） (2025-06-16T18:22:23Z)
• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• From Abstract to Actionable: Pairwise Shapley Values for Explainable AI [0.8192907805418583]
  提案するPairwise Shapley Valuesは,特徴属性を明示的,人間関連性のある比較に基礎を置く新しいフレームワークである。 本手法では,一値命令と組み合わせたペアワイズ参照選択を導入し,直観的,モデルに依存しない説明を行う。 Pairwise Shapley Valuesは多種多様な回帰・分類シナリオにおける解釈可能性を高めることを実証する。
  論文  参考訳（メタデータ） (2025-02-18T04:20:18Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• Counterfactual Shapley Additive Explanations [6.916452769334367]
  本稿では,逆ファクト生成技術を用いて背景データセットを生成するSHAPの変種であるCoSHAPを提案する。 我々は、特徴属性にShapley値を使用する場合、背景データセットを慎重に考慮するためのアクション可能なリコース設定の必要性を動機付けている。
  論文  参考訳（メタデータ） (2021-10-27T08:44:53Z)
• Spatial and Semantic Consistency Regularizations for Pedestrian Attribute Recognition [50.932864767867365]
  本稿では,各属性に対する空間的および意味的一貫性を実現するために,2つの相補的正規化からなるフレームワークを提案する。 属性の正確な位置に基づいて,本質的および識別的意味的特徴を抽出する意味的整合性正規化を提案する。 その結果,提案手法はパラメータを増大させることなく,最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2021-09-13T03:36:44Z)

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。