論文の概要: Ensembles-based Feature Guided Analysis

• arxiv url: http://arxiv.org/abs/2603.19653v1
• Date: Fri, 20 Mar 2026 05:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.004375
• Title: Ensembles-based Feature Guided Analysis
• Title（参考訳）: アンサンブルに基づく特徴分析
• Authors: Federico Formica, Stefano Gregis, Andrea Rota, Aurora Francesca Zanenga, Mark Lawford, Claudio Menghi,
• Abstract要約: 本稿では,Ensembles-based Feature Guided Analysis (EFGA)を提案する。 EFGAは、Feature Guided Analysis (FGA)によって抽出されたルールをアンサンブルに結合する。 評価基準の選択が2つのベンチマーク上でのEFGAの有効性にどのように影響するかを評価する。
• 参考スコア（独自算出の注目度）: 0.935922188721733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent Deep Neural Networks (DNN) applications ask for techniques that can explain their behavior. Existing solutions, such as Feature Guided Analysis (FGA), extract rules on their internal behaviors, e.g., by providing explanations related to neurons activation. Results from the literature show that these rules have considerable precision (i.e., they correctly predict certain classes of features), but the recall (i.e., the number of situations these rule apply) is more limited. To mitigate this problem, this paper presents Ensembles-based Feature Guided Analysis (EFGA). EFGA combines rules extracted by FGA into ensembles. Ensembles aggregate different rules to increase their applicability depending on an aggregation criterion, a policy that dictates how to combine rules into ensembles. Although our solution is extensible, and different aggregation criteria can be developed by users, in this work, we considered three different aggregation criteria. We evaluated how the choice of the criterion influences the effectiveness of EFGA on two benchmarks (i.e., the MNIST and LSC datasets), and found that different aggregation criteria offer alternative trade-offs between precision and recall. We then compare EFGA with FGA. For this experiment, we selected an aggregation criterion that provides a reasonable trade-off between precision and recall. Our results show that EFGA has higher train recall (+28.51% on MNIST, +33.15% on LSC), and test recall (+25.76% on MNIST, +30.81% on LSC) than FGA, with a negligible reduction on the test precision (-0.89% on MNIST, -0.69% on LSC).
• Abstract（参考訳）: 最近のディープニューラルネットワーク(DNN)アプリケーションは、その振る舞いを説明する技術を求めている。 FGA(Feature Guided Analysis)のような既存のソリューションでは、ニューロンの活性化に関連する説明を提供することで、内部動作に関するルールを抽出する。 文献の結果、これらの規則はかなりの精度(すなわち、特定の特徴のクラスを正確に予測する)を示すが、リコール(すなわち、これらの規則が適用される状況の数)はより限定的である。 この問題を軽減するために,本論文では,Ensembles-based Feature Guided Analysis (EFGA)を提案する。 EFGAはFGAによって抽出されたルールをアンサンブルに結合する。 アンサンブルは、ルールをアンサンブルに組み合わせる方法を規定するポリシーであるアグリゲーション基準(アグリゲーション基準)によって、適用性を高めるために異なるルールを集約する。 提案手法は拡張可能であり,ユーザによって異なるアグリゲーション基準が開発可能であるが,本研究では3つの異なるアグリゲーション基準を検討した。 判定基準の選択がEFGAの2つのベンチマーク(MNISTとLCCのデータセット)の有効性にどのように影響するかを評価し、異なるアグリゲーション基準が精度とリコールの間の代替トレードオフを提供することを示した。 EFGAとFGAを比較します。 本実験では,精度とリコールの間に合理的なトレードオフをもたらすアグリゲーション基準を選択した。 その結果, EFGAはFGAよりも列車リコール率(MNIST+28.51%, LSC+33.15%), テストリコール率(MNIST+25.76%, LSC+30.81%)が高く, テスト精度(MNIST-0.89%, LSC-0.69%)が無視できることがわかった。

関連論文リスト

• Differential Voting: Loss Functions For Axiomatically Diverse Aggregation of Heterogeneous Preferences [6.3240435869587515]
  人間のフィードバックからの強化学習は投票の一形態として見ることができ、そこではアグリゲーション機構が損失関数によって定義される。 本稿では,古典的な投票規則に有効に対応するように,人口レベルが最適であるような,インスタンスワイドで微分可能な損失関数を構成するフレームワークである差分投票を紹介する。 本分析は, 損失幾何学における設計選択 – マージン感度や境界濃度など – が, 直接的にノルミティブアグリゲーションの挙動にどのように変換されるかを示す。
  論文  参考訳（メタデータ） (2026-01-25T03:59:51Z)
• On Efficient Adjustment for Micro Causal Effects in Summary Causal Graphs [8.334918207379173]
  要約因果グラフにおいて、より広範な有効な調整セットのクラスを識別する新しい基準を導入する。 我々の貢献は、より柔軟で効率的な因果推論のための理論的な進歩と実践的なツールの両方を提供する。
  論文  参考訳（メタデータ） (2025-12-20T11:02:44Z)
• Grouping Nodes With Known Value Differences: A Lossless UCT-based Abstraction Algorithm [64.43268969806098]
  モンテカルロ木探索(MCTS)の中核的な課題は、状態-作用ペアをグループ化することで改善できるサンプル効率である。 我々は、値等価状態または状態-作用ペアをグループ化し、代わりに異なる値を持つグループ状態と状態-作用ペアをグループ化するパラダイムを破る。 我々はこの抽象化フレームワークをKVDA(Known Value difference Abstractions)と呼び、即時報酬の分析によって価値の差を推測する。
  論文  参考訳（メタデータ） (2025-10-29T11:03:44Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• From Embeddings to Equations: Genetic-Programming Surrogates for Interpretable Transformer Classification [9.17282078449475]
  本研究では, 冷凍トランスフォーマー埋め込みのシンボル代理モデルを用いて, キャリブレーションされた確率を持つコンパクトで監査可能な分類器について検討する。 5つのベンチマーク(SST2G、20NG、MNIST、CIFAR10、MSC17)では、ModernBERT、DINOv2、SigLIPの埋め込みがトレーニングセットに分割され、情報保存ビューに分割される。 協調型多集団遺伝プログラム(MEGP)は、これらの観点から付加的でクローズドなロジットプログラムを学ぶ。
  論文  参考訳（メタデータ） (2025-09-16T02:17:04Z)
• Analytic DAG Constraints for Differentiable DAG Learning [83.93320658222717]
  解析関数とDAG制約の関連性を確立するための理論を開発する。 集合 $f(x) = c_0 + sum_i=1inftyc_ixi | forall i > 0, c_i > 0; r = lim_irightarrow inftyc_i/c_i+1 > 0$ から得られる解析関数は、有効な DAG 制約を定式化するために用いられる。
  論文  参考訳（メタデータ） (2025-03-24T23:51:35Z)
• Unraveling Indirect In-Context Learning Using Influence Functions [31.715882072897873]
  実世界の2つのシナリオ(Mixture of Tasks)とNoisy ICL(Nuisy ICL)に合わせたデモ選択戦略について検討する。 タスクの混合設定では、MMLU、BigBench、StrategyQA、CommonsenseQAを含む28のさまざまなタスクからデモが引き出される。 In the Noisy ICL setting, we examined scenarios may be mislabeled or having adversarial noise。 従来のICLセレクタとIFベースのセレクタの重み付けにより,コサイン類似度の平均2.90%,ノイズGLUEベンチマークのBSR2.94%の精度が向上することを示した。
  論文  参考訳（メタデータ） (2025-01-01T12:37:12Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
  近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。 推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。 本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
  論文  参考訳（メタデータ） (2021-07-28T16:29:38Z)

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。