論文の概要: Real-Time Explanations for Tabular Foundation Models
- arxiv url: http://arxiv.org/abs/2603.29946v1
- Date: Tue, 31 Mar 2026 16:17:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.848236
- Title: Real-Time Explanations for Tabular Foundation Models
- Title（参考訳）: タブラル基礎モデルのリアルタイム説明
- Authors: Luan Borges Teodoro Reis Sena, Francisco Galuppo Azevedo,
- Abstract要約: ShapPFNは予測と説明の両方を単一の前方通過で生成する。
標準ベンチマークでは、ShapPFNは高忠実度の説明を作成しながら競争性能を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interpretability is central for scientific machine learning, as understanding \emph{why} models make predictions enables hypothesis generation and validation. While tabular foundation models show strong performance, existing explanation methods like SHAP are computationally expensive, limiting interactive exploration. We introduce ShapPFN, a foundation model that integrates Shapley value regression directly into its architecture, producing both predictions and explanations in a single forward pass. On standard benchmarks, ShapPFN achieves competitive performance while producing high-fidelity explanations ($R^2$=0.96, cosine=0.99) over 1000\times faster than KernelSHAP (0.06s vs 610s). Our code is available at https://github.com/kunumi/ShapPFN
- Abstract（参考訳）: 解釈可能性(Interpretability)は、科学的な機械学習において中心であり、 \emph{why} モデルの理解が仮説の生成と検証を可能にする。
表形式の基礎モデルは高い性能を示すが、SHAPのような既存の説明手法は計算に高価であり、対話的な探索を制限している。
ShapPFNはShapley値の回帰を直接アーキテクチャに統合し、予測と説明の両方を単一の前方通過で生成する基礎モデルである。
標準ベンチマークでは、ShapPFNは、KernelSHAP(0.06s vs 610s)よりも1000倍高速な高忠実な説明(R^2$=0.96, cosine=0.99)を作成しながら、競争性能を達成している。
私たちのコードはhttps://github.com/kunumi/ShapPFNで利用可能です。
関連論文リスト
- ExplainerPFN: Towards tabular foundation models for model-free zero-shot feature importance estimations [15.177865402589122]
ExplainerPFNは、基礎となるモデルや参照説明にアクセスせずにShapley値を推定するためのゼロショットメソッドである。
ExplainerPFN は 2-10 SHAP の例に依存した数発のサロゲート説明器で性能の競争力を発揮することを示す。
論文 参考訳（メタデータ） (2026-01-30T15:17:36Z) - M1: Towards Scalable Test-Time Compute with Mamba Reasoning Models [83.77063985611846]
本稿では,Mambaアーキテクチャ上に構築されたハイブリッド線形RNN推論モデルM1を紹介する。
実験結果から,M1は従来の線形RNNモデルよりも優れていただけでなく,最先端のDeepSeek R1蒸留推論モデルの性能とも一致していることがわかった。
論文 参考訳（メタデータ） (2025-04-14T17:38:25Z) - Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach [70.44265766483633]
本稿では,潜在空間における暗黙的推論によるテスト時間計算のスケールアップが可能な,新しい言語モデルアーキテクチャについて検討する。
我々のモデルは繰り返しブロックを繰り返すことで動作し、テスト時に任意の深さに展開する。
結果のモデルが推論ベンチマークの性能を劇的に改善できることが示される。
論文 参考訳（メタデータ） (2025-02-07T18:55:02Z) - s1: Simple test-time scaling [148.4204982041058]
テスト時間スケーリングは、パフォーマンスを改善するために余分なテスト時間計算を使用する言語モデリングに対する、有望な新しいアプローチである。
テストタイムのスケーリングと強力な推論性能を実現するための最もシンプルなアプローチを探します。
論文 参考訳（メタデータ） (2025-01-31T18:48:08Z) - Language models scale reliably with over-training and on downstream tasks [121.69867718185125]
スケーリング法則は、高価なトレーニング実行を引き出すための有用なガイドである。
しかし、現在の研究と言語モデルがどのように訓練されているかには差がある。
対照的に、スケーリング法則は主に推論における損失を予測するが、モデルは通常下流のタスクのパフォーマンスで比較される。
論文 参考訳（メタデータ） (2024-03-13T13:54:00Z) - Don't Explain Noise: Robust Counterfactuals for Randomized Ensembles [50.81061839052459]
我々は確率論的問題として、堅牢な対実的説明の生成を定式化する。
アンサンブルモデルのロバスト性とベース学習者のロバスト性との関係を示す。
本手法は, 反実的説明から初期観測までの距離をわずかに増加させるだけで, 高いロバスト性を実現する。
論文 参考訳（メタデータ） (2022-05-27T17:28:54Z) - Deconstructing Distributions: A Pointwise Framework of Learning [15.517383696434162]
テスト分布におけるモデルの平均性能と、この個々の点におけるポイントワイズ性能の関係について調べる。
プロファイルは、モデルとデータの構造 -- 分布の内外 -- に新しい洞察を与えることができる。
論文 参考訳（メタデータ） (2022-02-20T23:25:28Z) - FastSHAP: Real-Time Shapley Value Estimation [25.536804325758805]
FastSHAPは、学習された説明モデルを用いて、1つのフォワードパスでShapley値を推定する手法である。
これは、Shapley値の重み付き最小二乗特徴づけにインスパイアされた学習アプローチを通じて、多くの入力を説明するコストを償却する。
これは、桁違いのスピードアップで高品質な説明を生成する。
論文 参考訳（メタデータ） (2021-07-15T16:34:45Z)
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。