論文の概要: Concisely Explaining the Doubt: Minimum-Size Abductive Explanations for Linear Models with a Reject Option

• arxiv url: http://arxiv.org/abs/2603.14096v1
• Date: Sat, 14 Mar 2026 19:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.599716
• Title: Concisely Explaining the Doubt: Minimum-Size Abductive Explanations for Linear Models with a Reject Option
• Title（参考訳）: ダウトの簡潔な説明:リジェクションオプション付き線形モデルに対する最小サイズの帰納的説明
• Authors: Gleilson Pedro Fernandes, Thiago Alves Rocha,
• Abstract要約: 医療やファイナンスといった重要な領域では、証拠が不十分な場合にモデルを棄却するオプションがある。 これらの設定では、説明は解釈可能であるだけでなく、基礎となるモデルに忠実でなければならない。 本研究では,線形モデルに対する最小サイズの帰納的説明をリジェクションオプションで計算することで,これらの研究の行を橋渡しする。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trustworthiness in artificial intelligence depends not only on what a model decides, but also on how it handles and explains cases in which a reliable decision cannot be made. In critical domains such as healthcare and finance, a reject option allows the model to abstain when evidence is insufficient, making it essential to explain why an instance is rejected in order to support informed human intervention. In these settings, explanations must not only be interpretable, but also faithful to the underlying model and computationally efficient enough to support real-time decision making. Abductive explanations guarantee fidelity, but their exact computation is known to be NP-hard for many classes of models, limiting their practical applicability. Computing \textbf{minimum-size} abductive explanations is an even more challenging problem, as it requires reasoning not only about fidelity but also about optimality. Prior work has addressed this challenge in restricted settings, including log-linear-time algorithms for computing minimum-size abductive explanations in linear models without rejection, as well as a polynomial-time method based on linear programming for computing abductive explanations, without guarantees of minimum size, for linear models with a reject option. In this work, we bridge these lines of research by computing minimum-size abductive explanations for linear models with a reject option. For accepted instances, we adapt the log-linear algorithm to efficiently compute optimal explanations. For rejected instances, we formulate a 0-1 integer linear programming problem that characterizes minimum-size abductive explanations of rejection. Although this formulation is NP-hard in theory, our experimental results show that it is consistently more efficient in practice than the linear-programming-based approach that does not guarantee minimum-size explanations.
• Abstract（参考訳）: 人工知能の信頼性は、モデルが何を決定するかだけでなく、信頼できる決定を下せない場合の扱い方や説明にも依存する。 医療やファイナンスなどの重要なドメインでは、証拠が不十分な場合にモデルが停止することを拒否するオプションがあり、インフォームドヒューマン介入を支援するために、なぜインスタンスが拒否されるのかを説明することが不可欠である。 これらの設定では、説明は解釈可能であるだけでなく、基礎となるモデルに忠実であり、リアルタイムな意思決定をサポートするのに十分な計算効率でなければならない。 帰納的な説明は忠実さを保証するが、それらの正確な計算は多くのモデルのクラスに対してNPハードであることが知られ、実用性を制限する。 計算式 \textbf{minimum-size} 帰納的説明は、忠実性だけでなく最適性についても推論する必要があるため、さらに難しい問題である。 従来の作業では、リジェクションなしの線形モデルで最小サイズの導出説明を計算するための対数線形時間アルゴリズムや、リジェクションオプション付きリジェクションモデルでは最小サイズの保証なしに、リジェクション説明を計算するための線形プログラミングに基づく多項式時間法など、制限された設定においてこの問題に対処してきた。 本研究では,線形モデルに対する最小サイズの帰納的説明をリジェクションオプションで計算することで,これらの研究の行を橋渡しする。 受理されたインスタンスに対して、最適な説明を効率的に計算するためにログ線形アルゴリズムを適用する。 退化の場合、最小サイズの退化的推論を特徴付ける0-1整数線形プログラミング問題を定式化する。 この定式化は理論上はNPハードであるが,本実験の結果は,最小サイズの説明を保証しない線形プログラミングに基づく手法よりも,実用上一貫して効率的であることが示されている。

関連論文リスト

• WENDy for Nonlinear-in-Parameters ODEs [2.066079080612853]
  WENDy-MLE は局所非収束最適化手法を用いて最大極大推定器を近似する。 WENDy-MLEは精度が良く、収束領域がかなり大きく、しばしば他の弱い形式法や従来の出力誤差最小二乗法よりも高速である。 本稿では, ODE のベンチマークシステムを用いて, 提案手法, その他の弱い形状法, および出力誤差最小二乗を比較検討した。
  論文  参考訳（メタデータ） (2025-02-13T01:40:21Z)
• Learning Model Agnostic Explanations via Constraint Programming [8.257194221102225]
  解釈可能な機械学習は、不透明な分類器による予測を人間に理解可能な言葉で説明するという、繰り返し発生する課題に直面している。 本稿では,このタスクを制約最適化問題(Constraint Optimization Problem)として,入力データインスタンスの最小誤差と境界サイズの説明と,ブラックボックスが生成したサンプルの集合を求める。 提案手法は,様々なデータセット上で実証的に評価し,最先端のアンカー法よりも統計的に優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-13T09:55:59Z)
• Logic-based Explanations for Linear Support Vector Classifiers with Reject Option [0.0]
  Support Vector (SVC) は線形分類問題に対する機械学習(ML)モデルとしてよく知られている。 本稿では、リジェクションオプション付き線形SVCに対する説明の正確性と最小性に関する形式的保証付き論理ベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-24T15:14:44Z)
• Efficient Computation of Counterfactual Bounds [44.4263314637532]
  我々は,構造因果モデルのサブクラスにおけるクレダルネットのアルゴリズムを用いて,正確な反ファクト境界を計算する。 近似の精度を信頼性のある間隔で評価する。
  論文  参考訳（メタデータ） (2023-07-17T07:59:47Z)
• From Robustness to Explainability and Back Again [3.7950144463212134]
  本稿では、形式的説明可能性のスケーラビリティの低さに対処し、形式的説明を計算するための新しい効率的なアルゴリズムを提案する。 提案アルゴリズムは、代わりに複数のクエリに答えることによって説明を計算し、そのようなクエリの数は、機能数に対して最も線形であるように頑健である。
  論文  参考訳（メタデータ） (2023-06-05T17:21:05Z)
• Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
  マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。 本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。 いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-14T18:18:02Z)
• Implicit Parameter-free Online Learning with Truncated Linear Models [51.71216912089413]
  パラメータフリーアルゴリズムは、設定された学習率を必要としないオンライン学習アルゴリズムである。 そこで我々は,「単純」なフレーバーを持つ新しい更新によって,切り離された線形モデルを活用できる新しいパラメータフリーアルゴリズムを提案する。 後悔の新たな分解に基づいて、新しい更新は効率的で、各ステップで1つの勾配しか必要とせず、切り捨てられたモデルの最小値をオーバーシュートすることはない。
  論文  参考訳（メタデータ） (2022-03-19T13:39:49Z)
• Minimax Optimal Quantization of Linear Models: Information-Theoretic Limits and Efficient Algorithms [59.724977092582535]
  測定から学習した線形モデルの定量化の問題を考える。 この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。 本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-23T02:39:04Z)
• Linear Adversarial Concept Erasure [108.37226654006153]
  与えられた概念に対応する線形部分空間の同定と消去の問題を定式化する。 提案手法は, トラクタビリティと解釈性を維持しつつ, 深い非線形分類器のバイアスを効果的に軽減し, 高い表現性を有することを示す。
  論文  参考訳（メタデータ） (2022-01-28T13:00:17Z)
• From Checking to Inference: Actual Causality Computations as Optimization Problems [79.87179017975235]
  本稿では、最適化問題として二元非巡回モデルよりも、因果推論の異なる概念を定式化するための新しいアプローチを提案する。 8000ドル以上の変数を持つモデルを用いて,MaxSAT が ILP を上回り,数秒単位でチェック処理を行う場合が多い。
  論文  参考訳（メタデータ） (2020-06-05T10:56:52Z)

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。