論文の概要: Model Change for Description Logic Concepts

• arxiv url: http://arxiv.org/abs/2603.05562v1
• Date: Thu, 05 Mar 2026 11:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.194345
• Title: Model Change for Description Logic Concepts
• Title（参考訳）: 記述論理概念のモデル変化
• Authors: Ana Ozaki, Jandson S. Ribeiro,
• Abstract要約: 本稿では,ポイント解釈として表現されたモデルに照らして記述論理の概念を変更することの問題点を考察する。 モデルのみを除去する消去,モデルを組み込んだ受信,1つの操作にモデルを組み込んだリビジョンという3つの主な変更点を区別する。
• 参考スコア（独自算出の注目度）: 4.790120096901398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of modifying a description logic concept in light of models represented as pointed interpretations. We call this setting model change, and distinguish three main kinds of changes: eviction, which consists of only removing models; reception, which incorporates models; and revision, which combines removal with incorporation of models in a single operation. We introduce a formal notion of revision and argue that it does not reduce to a simple combination of eviction and reception, contrary to intuition. We provide positive and negative results on the compatibility of eviction and reception for EL and ALC description logic concepts and on the compatibility of revision for ALC concepts.
• Abstract（参考訳）: 本稿では,ポイント解釈として表現されたモデルに照らして記述論理の概念を変更することの問題点について考察する。 我々は、この設定モデル変更と呼び、モデルのみを除去する退行、モデルを含む受信、単一操作におけるモデルの導入と組み合わせたリビジョンの3つの主な変化を区別する。 形式的なリビジョンの概念を導入し、直観とは対照的に、省略と受信の単純な組み合わせに還元されないと論じる。 EL および ALC 記述論理の概念の省略と受信の整合性、および ALC 概念の修正の整合性について、肯定的および否定的な結果を提供する。

関連論文リスト

• Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。 CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T19:37:49Z)
• When Are Concepts Erased From Diffusion Models? [37.59943248660331]
  概念消去では、ターゲット概念の生成を選択的に防止するためにモデルを変更する。 拡散モデルにおける消去機構の2つの概念モデルを提案する。 モデルから概念が真に消去されたかどうかを評価するため,独立した探索手法を包括的に導入する。
  論文  参考訳（メタデータ） (2025-05-22T17:59:09Z)
• Concept Layers: Enhancing Interpretability and Intervenability via LLM Conceptualization [2.163881720692685]
  本稿では,概念層をアーキテクチャに組み込むことにより,解釈可能性とインターベンタビリティを既存モデルに組み込む新しい手法を提案する。 我々のアプローチは、モデルの内部ベクトル表現を、再構成してモデルにフィードバックする前に、概念的で説明可能なベクトル空間に投影する。 複数のタスクにまたがるCLを評価し、本来のモデルの性能と合意を維持しつつ、意味のある介入を可能にしていることを示す。
  論文  参考訳（メタデータ） (2025-02-19T11:10:19Z)
• Sparse autoencoders reveal selective remapping of visual concepts during adaptation [54.82630842681845]
  特定の目的のために基礎モデルを適用することは、機械学習システムを構築するための標準的なアプローチとなっている。 PatchSAEと呼ばれるCLIPビジョントランスのための新しいスパースオートエンコーダ(SAE)を開発し、解釈可能な概念を抽出する。
  論文  参考訳（メタデータ） (2024-12-06T18:59:51Z)
• Improving Intervention Efficacy via Concept Realignment in Concept Bottleneck Models [57.86303579812877]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念に基づいて、解釈可能なモデル決定を可能にする画像分類である。 既存のアプローチは、強いパフォーマンスを達成するために、画像ごとに多数の人間の介入を必要とすることが多い。 本稿では,概念関係を利用した学習型概念認識介入モジュールについて紹介する。
  論文  参考訳（メタデータ） (2024-05-02T17:59:01Z)
• An Axiomatic Approach to Model-Agnostic Concept Explanations [67.84000759813435]
  本稿では、線形性、再帰性、類似性という3つの自然な公理を満たす概念的説明へのアプローチを提案する。 次に、従来の概念的説明手法とのつながりを確立し、それらの意味の異なる意味についての洞察を提供する。
  論文  参考訳（メタデータ） (2024-01-12T20:53:35Z)
• Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
  一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。 本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-20T21:27:51Z)
• Toward a Unified Framework for Debugging Gray-box Models [28.44179818430489]
  概念ベースグレーボックスモデル(GBM)について検討する。 これらのモデルは、入力に現れるタスク関連概念を取得し、その後、概念アクティベーションを集約して予測を計算する。 この研究は、GBMにおいて、概念と集約関数の両方が異なるバグによって影響を受けるという観察に由来する。
  論文  参考訳（メタデータ） (2021-09-23T06:12:17Z)
• CARE: Coherent Actionable Recourse based on Sound Counterfactual Explanations [0.0]
  本稿では,モデルおよびユーザレベルのデシダータに対処するモジュール型説明フレームワークであるCAREを紹介する。 モデルに依存しないアプローチとして、CAREはブラックボックスモデルに対して複数の多様な説明を生成する。
  論文  参考訳（メタデータ） (2021-08-18T15:26:59Z)

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。