論文の概要: Aumann-SHAP: The Geometry of Counterfactual Interaction Explanations in Machine Learning

• arxiv url: http://arxiv.org/abs/2603.14014v1
• Date: Sat, 14 Mar 2026 16:38:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.545908
• Title: Aumann-SHAP: The Geometry of Counterfactual Interaction Explanations in Machine Learning
• Title（参考訳）: Aumann-SHAP: 機械学習における対実相互作用説明の幾何学
• Authors: Adam Belahcen, Stéphane Mussard,
• Abstract要約: 対物遷移を分解する相互作用を意識したフレームワークであるAumann-Shapleyを紹介する。 我々は,Aumann-LESが反ファクト移行時の標準Shapley値よりも頑健な結果とより良い説明をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Aumann-SHAP, an interaction-aware framework that decomposes counterfactual transitions by restricting the model to a local hypercube connecting baseline and counterfactual features. Each hyper-cube is decomposed into a grid in order to construct an induced micro-player cooperative game in which elementary grid-step moves become players. Shapley and LES values on this TU-micro-game yield: (i) within-pot contribution of each feature to the interaction with other features (interaction explainability), and (ii) the contribution of each instance and each feature to the counterfactual analysis (individual and global explainability). In particular, Aumann-LES values produce individual and global explanations along the counterfactual transition. Shapley and LES values converge to the diagonal Aumann-Shapley (integrated-gradients) attribution method. Experiments on the German Credit dataset and MNIST data show that Aumann-LES produces robust results and better explanations than the standard Shapley value during the counterfactual transition.
• Abstract（参考訳）: ベースラインと反ファクト特徴を接続する局所ハイパーキューブにモデルを制限することにより、反ファクト遷移を分解する相互作用対応フレームワークであるAumann-SHAPを紹介する。 各ハイパーキューブは、基本グリッドステップがプレーヤとなる誘導マイクロプレーヤ協調ゲームを構築するために、グリッドに分解される。 TU-micro-game yieldにおけるShapleyとLES値 (i)各特徴の他特徴との相互作用に対する内的貢献(相互作用説明可能性)及び 二 各事例及び各特徴の対実分析(個人的及びグローバル的説明可能性)への貢献 特に、Aumann-LES値は、対実遷移に沿って個人的および大域的な説明を生成する。 シャプリー値とLES値は対角的なオーマン・シャプリー(積分階数)属性法に収束する。 ドイツのCreditデータセットとMNISTデータによる実験により、Aumann-LESは反ファクト移行時の標準的なShapley値よりも堅牢な結果とより良い説明をもたらすことが示された。

関連論文リスト

• On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
  本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。 我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
  論文  参考訳（メタデータ） (2026-02-18T20:25:13Z)
• Unveiling Induction Heads: Provable Training Dynamics and Feature Learning in Transformers [54.20763128054692]
  我々は,2層変換器が$n$-gramのマルコフ連鎖データ上でICLを実行するためにどのように訓練されているかを検討する。 クロスエントロピー ICL 損失に対する勾配流が極限モデルに収束することを証明する。
  論文  参考訳（メタデータ） (2024-09-09T18:10:26Z)
• HIMO: A New Benchmark for Full-Body Human Interacting with Multiple Objects [86.86284624825356]
  HIMOは、複数のオブジェクトと相互作用するフルボディの人間のデータセットである。 HIMOは3.3K 4D HOIシーケンスと4.08M 3D HOIフレームを含む。
  論文  参考訳（メタデータ） (2024-07-17T07:47:34Z)
• Succinct Interaction-Aware Explanations [33.25637826682827]
  SHAPは、個々の特徴の重要性を明らかにすることでブラックボックスモデルを説明する一般的なアプローチである。 一方、NSHAPは全ての機能のサブセットに付加的な重要性を報告している。 我々は、これらの2つの世界の長所を、機能を大幅に相互作用する部分に分割することで組み合わせることを提案する。
  論文  参考訳（メタデータ） (2024-02-08T11:04:11Z)
• Push--Pull with Device Sampling [8.344476599818826]
  複数のエージェントが協力して、基礎となる通信グラフを交換することで、ローカル関数の平均を最小化する分散最適化問題を考察する。 ネットワーク全体の勾配追跡と分散低減を併用したアルゴリズムを提案する。 理論解析により,局所目的関数が強凸である場合,アルゴリズムは線形に収束することを示した。
  論文  参考訳（メタデータ） (2022-06-08T18:18:18Z)
• Faith-Shap: The Faithful Shapley Interaction Index [43.968337274203414]
  シャプリー値の重要な魅力は、それらが非常に自然な公理的性質の集合を一意に満足していることである。 そこで,本研究では,標準個々のシャプリー公理の相互作用拡張を満たすために忠実な相互作用指標を求めることにより,一意に忠実なシャプリー相互作用指数が得られることを示す。
  論文  参考訳（メタデータ） (2022-03-02T04:44:52Z)
• Removing Bias in Multi-modal Classifiers: Regularization by Maximizing Functional Entropies [88.0813215220342]
  いくつかのモダリティは、他のものよりも分類結果に容易に寄与することができる。 機能的エントロピーと機能的フィッシャー情報とを結合した対数ソボレフの不等式に基づく手法を開発した。 VQA-CPv2 と SocialIQ の2つの挑戦的マルチモーダルデータセットに対して,より均一にモダリティを活用しながら,最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-10-21T07:40:33Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)

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。