論文の概要: Exact Functional ANOVA Decomposition for Categorical Inputs Models

• arxiv url: http://arxiv.org/abs/2603.02673v1
• Date: Tue, 03 Mar 2026 06:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.678748
• Title: Exact Functional ANOVA Decomposition for Categorical Inputs Models
• Title（参考訳）: カテゴリー入力モデルのための特殊機能ANOVA分解
• Authors: Baptiste Ferrere, Nicolas Bousquet, Fabrice Gamboa, Jean-Michel Loubes, Joseph Muré,
• Abstract要約: ANOVAは、モデルの予測を主要な効果と高次相互作用に分解することで、解釈可能性のための原則化されたフレームワークを提供する。 独立な特徴に対して、この分解はよく定義されており、SHAP値と強く結びついており、加法的説明可能性の基礎となっている。 分類的な入力に対するこの制限を完全に解決する。
• 参考スコア（独自算出の注目度）: 2.762021507766656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional ANOVA offers a principled framework for interpretability by decomposing a model's prediction into main effects and higher-order interactions. For independent features, this decomposition is well-defined, strongly linked with SHAP values, and serves as a cornerstone of additive explainability. However, the lack of an explicit closed-form expression for general dependent distributions has forced practitioners to rely on costly sampling-based approximations. We completely resolve this limitation for categorical inputs. By bridging functional analysis with the extension of discrete Fourier analysis, we derive a closed-form decomposition without any assumption. Our formulation is computationally very efficient. It seamlessly recovers the classical independent case and extends to arbitrary dependence structures, including distributions with non-rectangular support. Furthermore, leveraging the intrinsic link between SHAP and ANOVA under independence, our framework yields a natural generalization of SHAP values for the general categorical setting.
• Abstract（参考訳）: 関数型ANOVAは、モデルの予測を主要な効果と高次相互作用に分解することで、解釈可能性のための原則化されたフレームワークを提供する。 独立な特徴に対して、この分解はよく定義されており、SHAP値と強く結びついており、加法的説明可能性の基礎となっている。 しかし、一般依存分布に対する明示的な閉形式表現の欠如により、実践者は高価なサンプリングベースの近似に頼らざるを得なくなった。 分類的な入力に対するこの制限を完全に解決する。 離散フーリエ解析の拡張による関数解析をブリッジすることにより、仮定なしに閉形式分解を導出する。 私たちの定式化は計算的に非常に効率的です。 古典的な独立なケースをシームレスに復元し、非正方形のサポートを持つ分布を含む任意の依存構造に拡張する。 さらに,SHAPとANOVAの独立な関係を生かし,SHAP値の自然な一般化を実現している。

関連論文リスト

• Partition Function Estimation under Bounded f-Divergence [18.170877027040362]
  本研究では,提案分布へのサンプルアクセスを前提とした分割関数の推定の統計的複雑さについて検討する。 本結果は, 重要サンプリング, 拒絶, サンプリング, 重み付き平均推定の事前解析を統一し, 一般化するものである。
  論文  参考訳（メタデータ） (2026-02-26T22:34:36Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Multivariate Bernoulli Hoeffding Decomposition: From Theory to Sensitivity Analysis [2.762021507766656]
  この研究はベルヌーイの入力の場合に焦点を当て、分解の完全な解析的特性を提供する。 この離散的な設定では、関連する部分空間は一次元であり、分解が閉形式表現を持つことを示す。 本稿は,方法論を高次元設定に拡張し,有限な非バイナリサポートを持つ入力を含むモデルに拡張する,という視点で締めくくっている。
  論文  参考訳（メタデータ） (2025-10-08T14:46:20Z)
• Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• Effect Decomposition of Functional-Output Computer Experiments via Orthogonal Additive Gaussian Processes [8.723426955657347]
  FANOVA(Functional ANOVA)は、分散に基づく感度分析ツールである。 本研究では,データ駆動直交効果の分解を効率的に行う関数出力直交加法的ガウス過程(FOAGP)を提案する。 FOAGPフレームワークはまた、局所的なソボの指標と期待される条件分散感度指標の分析的な定式化も提供する。
  論文  参考訳（メタデータ） (2025-06-15T03:24:55Z)
• Hoeffding decomposition of black-box models with dependent inputs [30.076357972854723]
  弱条件下での従属入力に対するHoeffdingの分解を一般化する。 2つの仮定を尊重するランダム要素の平方可積分実数値関数は、一意に加法的に加法され、特徴づけられることを示す。
  論文  参考訳（メタデータ） (2023-10-10T12:28:53Z)
• Break The Spell Of Total Correlation In betaTCVAE [4.38301148531795]
  本稿では,全相関の反復的分解経路を提案し,VAEの非絡み合い表現能力について説明する。 新たなモデルにより、VAEはパラメータキャパシティを柔軟に分割し、依存データと独立データの特徴を分割することができる。
  論文  参考訳（メタデータ） (2022-10-17T07:16:53Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• 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)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)

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。