論文の概要: Structural Compactness as a Complementary Criterion for Explanation Quality

• arxiv url: http://arxiv.org/abs/2603.29491v1
• Date: Tue, 31 Mar 2026 09:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.45198
• Title: Structural Compactness as a Complementary Criterion for Explanation Quality
• Title（参考訳）: 説明品質の相補的基準としての構造的コンパクト性
• Abstract要約: 最小スパンニング木コンパクトネス(英: Minimum Spanning Tree Compactness、MST-C)は、属性の高次幾何学的性質を捉えるグラフベースの構造計量である。 MST-Cは、説明手法を確実に区別し、モデル間の基本的な構造的差異を露呈し、説明のコンパクト性のために頑健で自己完結した診断を提供する。
• 参考スコア（独自算出の注目度）: 19.26799319184155
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the evaluation of attribution quality, the quantitative assessment of explanation legibility is particularly difficult, as it is influenced by varying shapes and internal organization of attributions not captured by simple statistics. To address this issue, we introduce Minimum Spanning Tree Compactness (MST-C), a graph-based structural metric that captures higher-order geometric properties of attributions, such as spread and cohesion. These components are combined into a single score that evaluates compactness, favoring attributions with salient points spread across a small area and spatially organized into few but cohesive clusters. We show that MST-C reliably distinguishes between explanation methods, exposes fundamental structural differences between models, and provides a robust, self-contained diagnostic for explanation compactness that complements existing notions of attribution complexity.
• Abstract（参考訳）: 属性の質評価では, 単純な統計量では得られない様々な形状や属性の内部構造の影響を受け, 説明の妥当性の定量的評価が特に難しい。 この問題に対処するために,グラフに基づく構造計量である最小スパンニング木圧縮(MST-C)を導入し,スプレッドや凝集などの属性の高次幾何学的特性を捉える。 これらの成分は1つのスコアにまとめられ、コンパクトさを評価し、小さな領域に散らばり、空間的に少数の凝集性クラスターにまとめられる。 我々は,MST-Cが説明手法を確実に区別し,モデル間の基本的な構造的差異を明らかにし,既存の帰属複雑性の概念を補完する説明コンパクト性のための頑健で自己完結型診断を提供することを示す。

関連論文リスト

• Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy [57.058369251551795]
  教師なしグラフクラスタリングは、大規模ネットワークの基盤となるセマンティックパターンを明らかにするための基本的な手法である。 本研究では,制約付き構造エントロピーを用いたコミュニティ認識サンプリングを連携させることにより,構造整合性を維持するフレームワークであるSCISEを提案する。 SCISEは最先端のアルゴリズムを著しく上回り、アブレーション研究とロバストネス分析により、実世界の大規模グラフの有効性と信頼性をさらに検証した。
  論文  参考訳（メタデータ） (2026-07-06T07:55:53Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• Reasoning emerges from constrained inference manifolds in large language models [98.6966322378456]
  我々は推論中の内部表現の進化を調べることによって、本質的な力学過程としての推論を研究する。 このような幾何学的圧縮は広く普及しているが、安定的あるいは信頼性のある推論には不十分である。
  論文  参考訳（メタデータ） (2026-05-02T10:41:20Z)
• MSDS: Deep Structural Similarity with Multiscale Representation [27.66525025769263]
  深部相似性モデリングにおける空間スケールの役割は未だ十分に理解されていない。 マルチスケール表現を用いたDeep Structure similarity (MSDS) と呼ばれる,DeepSSIMの最小限のマルチスケール拡張を提案する。 提案フレームワークは,ピラミッドレベルで独立にDeepSSIMを計算し,学習可能なグローバル重みの軽量なセットで結果のスコアを融合することにより,クロススケールな統合から深い特徴表現を分離する。
  論文  参考訳（メタデータ） (2026-04-21T07:13:00Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Fine-Grained Generalization via Structuralizing Concept and Feature Space into Commonality, Specificity and Confounding [18.00755828701667]
  ファイングラインド・ドメイン・ジェネリゼーション(FGDG)は、従来のドメイン・ジェネリゼーションよりも大きな課題を示す。 ドメインシフトの下では、モデルはきめ細かなキューに過度に敏感になり、重要な特徴の抑制とパフォーマンスの大幅な低下につながります。 本稿では,概念と特徴空間を3つの構造成分に分解するための概念-特徴構造一般化(CFSG)を提案する。 CFSGはベースラインモデルよりも平均9.87%の性能向上を実現し、既存の最先端手法を平均3.08%上回っている。
  論文  参考訳（メタデータ） (2026-01-06T14:39:09Z)
• MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
  点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
  論文  参考訳（メタデータ） (2026-01-03T14:58:52Z)
• Bridging Structure and Appearance: Topological Features for Robust Self-Supervised Segmentation [8.584363058858935]
  自己教師付きセマンティックセグメンテーション法は、外観の曖昧さに直面して失敗することが多い。 これは、影、光沢、局所的なテクスチャといった不安定で外観に基づく特徴に過度に依存しているためである、と我々は主張する。 安定な位相情報を活用することで外観と幾何学を橋渡しする新しいフレームワークである textbfGASeg を提案する。
  論文  参考訳（メタデータ） (2025-12-30T05:34:28Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Isomorphic Pruning for Vision Models [56.286064975443026]
  構造化プルーニングは、冗長なサブ構造を取り除くことによって、ディープニューラルネットワークの計算オーバーヘッドを低減する。 Isomorphic Pruningは、ネットワークアーキテクチャの範囲で有効性を示すシンプルなアプローチである。
  論文  参考訳（メタデータ） (2024-07-05T16:14:53Z)
• Spatio-Temporal Structure Consistency for Semi-supervised Medical Image Classification [8.656046905043876]
  本研究では,新しい時空間構造一貫性(STSC)学習フレームワークを提案する。 具体的には、空間構造整合性と時間構造整合性を組み合わせるために、グラム行列を導出する。 提案手法は最先端のSSL手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-03T04:18:09Z)
• Learning Latent and Hierarchical Structures in Cognitive Diagnosis Models [3.4646560112467037]
  認知診断モデル(cdms)の重要な構成要素は、アイテムと潜在属性の間の依存構造を特徴づけるバイナリ$q$-matrixである。 本稿では,観測データからCDMの潜在構造と階層構造を共同学習する問題を検討する。 効率的な期待最大化アルゴリズムと潜在構造回復アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-04-05T20:33:02Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。