論文の概要: Enhancing LIME using Neural Decision Trees

• arxiv url: http://arxiv.org/abs/2603.20919v1
• Date: Sat, 21 Mar 2026 19:24:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.149613
• Title: Enhancing LIME using Neural Decision Trees
• Title（参考訳）: ニューラル決定木を用いたLIMEの強化
• Authors: Mohamed Aymen Bouyahia, Argyris Kalogeratos,
• Abstract要約: LIME(Local Interpretable Model-Agnostic Explanations)は、機械学習において非常に人気のあるフレームワークである。 代用モデルとしてニューラル決定木(NDT)を統合したNDT-LIME変種を提案する。 NDTの構造的,階層的な性質を活用することにより,より正確で意味のある局所的な説明を提供することが目的である。
• 参考スコア（独自算出の注目度）: 0.906681787649105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpreting complex machine learning models is a critical challenge, especially for tabular data where model transparency is paramount. Local Interpretable Model-Agnostic Explanations (LIME) has been a very popular framework for interpretable machine learning, also inspiring many extensions. While traditional surrogate models used in LIME variants (e.g. linear regression and decision trees) offer a degree of stability, they can struggle to faithfully capture the complex non-linear decision boundaries that are inherent in many sophisticated black-box models. This work contributes toward bridging the gap between high predictive performance and interpretable decision-making. Specifically, we propose the NDT-LIME variant that integrates Neural Decision Trees (NDTs) as surrogate models. By leveraging the structured, hierarchical nature of NDTs, our approach aims at providing more accurate and meaningful local explanations. We evaluate its effectiveness on several benchmark tabular datasets, showing consistent improvements in explanation fidelity over traditional LIME surrogates.
• Abstract（参考訳）: 複雑な機械学習モデルの解釈は、特にモデルの透明性が最重要となる表データにとって、重要な課題である。 Local Interpretable Model-Agnostic Explanations (LIME)は、解釈可能な機械学習のための非常に人気のあるフレームワークであり、多くの拡張を刺激している。 LIME変種(例えば線形回帰と決定木)で使用される伝統的な代理モデルは安定性を提供するが、多くの洗練されたブラックボックスモデルに固有の複雑な非線形決定境界を忠実に捉えるのに苦労する。 この研究は、高い予測性能と解釈可能な意思決定の間のギャップを埋めることに寄与します。 具体的には、ニューラル決定木(NDT)を代理モデルとして統合したNDT-LIME変種を提案する。 NDTの構造的,階層的な性質を活用することにより,より正確で意味のある局所的な説明を提供することが目的である。 従来のLIMEサロゲートよりも説明精度が一貫した改善が見られた。

関連論文リスト

• LLMs for Explainable AI: A Comprehensive Survey [0.7373617024876725]
  大規模言語モデル(LLM)は、説明可能なAI(XAI)を強化するための有望なアプローチを提供する LLMは複雑な機械学習出力を理解しやすい物語に変換する。 LLMは洗練されたモデル行動と人間の解釈可能性のギャップを埋めることができる。
  論文  参考訳（メタデータ） (2025-03-31T18:19:41Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Latent Thought Models with Variational Bayes Inference-Time Computation [52.63299874322121]
  ラテント思考モデル(LTM)は、ラテント空間における明示的な事前モデルに従う明示的なラテント思考ベクトルを包含する。 LTMは自己回帰モデルや離散拡散モデルよりも優れたサンプルおよびパラメータ効率を示す。
  論文  参考訳（メタデータ） (2025-02-03T17:50:34Z)
• Subgroup Analysis via Model-based Rule Forest [0.0]
  モデルベースDeep Rule Forests (mobDRF)は、データから透明なモデルを抽出するために設計された解釈可能な表現学習アルゴリズムである。 高齢者の認知機能低下の要因を明らかにするためにmobDRFを適用し,サブグループ分析と局所モデル最適化の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-27T13:40:15Z)
• SynthTree: Co-supervised Local Model Synthesis for Explainable Prediction [15.832975722301011]
  本稿では,最小限の精度で説明可能性を向上させる手法を提案する。 我々は,AI技術を利用してノードを推定する新しい手法を開発した。 我々の研究は、統計的方法論が説明可能なAIを前進させる上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2024-06-16T14:43:01Z)
• Evaluating Concurrent Robustness of Language Models Across Diverse Challenge Sets [46.19529338280716]
  言語モデルはブラックボックスの性質が特徴で、しばしば幻覚を呈し、入力の摂動に敏感である。 入力摂動が言語モデルにどう影響するかを,様々な尺度で検討する手法を提案する。 複数の摂動に対するロバスト性に対処するための3つの異なる微調整戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-15T02:59:10Z)
• Stable and Interpretable Deep Learning for Tabular Data: Introducing InterpreTabNet with the Novel InterpreStability Metric [4.362293468843233]
  分類精度と解釈可能性の両方を向上するモデルであるInterpreTabNetを導入する。 また,モデルの解釈可能性の安定性を定量的に評価する新しい評価指標であるInterpreStabilityを提案する。
  論文  参考訳（メタデータ） (2023-10-04T15:04:13Z)
• DeforestVis: Behavior Analysis of Machine Learning Models with Surrogate Decision Stumps [46.58231605323107]
  複雑なMLモデルの振る舞いを要約する視覚解析ツールであるDeforestVisを提案する。 DeforestVisは、より多くの切り株をインクリメンタルに生成することで、複雑さとフィデリティのトレードオフを探索するのに役立つ。 DeforestVisの適用性と有用性について,2つのユースケースと,データアナリストとモデル開発者とのエキスパートインタビューで紹介する。
  論文  参考訳（メタデータ） (2023-03-31T21:17:15Z)
• Causality-aware counterfactual confounding adjustment for feature representations learned by deep models [14.554818659491644]
  因果モデリングは機械学習(ML)における多くの課題に対する潜在的な解決策として認識されている。 深層ニューラルネットワーク(DNN)モデルによって学習された特徴表現を分解するために、最近提案された対実的アプローチが依然として使われている方法について説明する。
  論文  参考訳（メタデータ） (2020-04-20T17:37:36Z)

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。