論文の概要: Evaluating Counterfactual Explanation Methods on Incomplete Inputs
- arxiv url: http://arxiv.org/abs/2604.08004v1
- Date: Thu, 09 Apr 2026 09:08:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.827321
- Title: Evaluating Counterfactual Explanation Methods on Incomplete Inputs
- Title（参考訳）: 不完全入力に対する実測的説明法の評価
- Authors: Francesco Leofante, Daniel Neider, Mustafa Yalçıner,
- Abstract要約: 機械学習(ML)のための既存のCXを生成するアルゴリズムは、一般的に完全に指定された入力を仮定する。
我々は、入力が不完全である場合に有効かつ妥当な対応手段を提供する能力について、最近のCX生成手法を評価する。
以上の結果から,ロバストなCX法は非ロバストな手法よりも有効性が高いが,全ての手法が有効な対策方法を見つけるのに苦労していることが明らかとなった。
- 参考スコア（独自算出の注目度）: 6.917147925148162
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing algorithms for generating Counterfactual Explanations (CXs) for Machine Learning (ML) typically assume fully specified inputs. However, real-world data often contains missing values, and the impact of these incomplete inputs on the performance of existing CX methods remains unexplored. To address this gap, we systematically evaluate recent CX generation methods on their ability to provide valid and plausible counterfactuals when inputs are incomplete. As part of this investigation, we hypothesize that robust CX generation methods will be better suited to address the challenge of providing valid and plausible counterfactuals when inputs are incomplete. Our findings reveal that while robust CX methods achieve higher validity than non-robust ones, all methods struggle to find valid counterfactuals. These results motivate the need for new CX methods capable of handling incomplete inputs.
- Abstract（参考訳）: 機械学習(ML)のための既存のCXを生成するアルゴリズムは、一般的に完全に指定された入力を仮定する。
しかし、実世界のデータには欠落する値がしばしば含まれており、これらの不完全な入力が既存のCXメソッドの性能に与える影響は未解明のままである。
このギャップに対処するために、入力が不完全である場合に有効かつ妥当な対策を提供する能力について、最近のCX生成手法を体系的に評価する。
本研究の一環として, 入力が不完全である場合に, 有効かつ確実な対応手段を提供するという課題に対処するために, 堅牢なCX生成手法が適していると仮定する。
以上の結果から,ロバストなCX法は非ロバストな手法よりも有効性が高いが,全ての手法が有効な対策方法を見つけるのに苦労していることが明らかとなった。
これらの結果は、不完全な入力を処理できる新しいCXメソッドの必要性を動機付けている。
関連論文リスト
- ConformalHDC: Uncertainty-Aware Hyperdimensional Computing with Application to Neural Decoding [2.5805874648322664]
本稿では,共形予測の統計的保証と超次元計算の計算効率を組み合わせた統合フレームワークであるConformalHDCを紹介する。
コンフォーマルHDCは、神経活動データに表される刺激情報を正確に復号するだけでなく、厳密な不確実性の推定や、他の行動状態からのデータを提示した場合の正確な棄権も示している。
論文 参考訳（メタデータ） (2026-02-24T23:52:08Z) - DDL: A Large-Scale Datasets for Deepfake Detection and Localization in Diversified Real-World Scenarios [51.916287988122406]
本稿では,$textbf1.4M+$forgedサンプルを含む大規模ディープフェイク検出およびローカライゼーション(textbfDDL)データセットを提案する。
我々のDDLは、複雑な現実世界の偽造のより困難なベンチマークを提供するだけでなく、次世代のディープフェイク検出、ローカライゼーション、解釈可能性メソッドを構築するための重要なサポートも提供しています。
論文 参考訳（メタデータ） (2025-06-29T15:29:03Z) - MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。
混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。
摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
論文 参考訳（メタデータ） (2024-12-13T14:56:39Z) - Conformal Validity Guarantees Exist for Any Data Distribution (and How to Find Them) [14.396431159723297]
理論上,共形予測はテキスト共同データ分布に拡張可能であることを示す。
最も一般的なケースは計算に実用的でないが、具体的には特定の共形アルゴリズムを導出するための手順を概説する。
論文 参考訳（メタデータ） (2024-05-10T17:40:24Z) - Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。
非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。
この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
論文 参考訳（メタデータ） (2023-12-25T20:02:51Z) - Systematic Testing of the Data-Poisoning Robustness of KNN [8.028344363418865]
データ中毒は、機械学習ベースのソフトウェアコンポーネントを汚染し、トレーニングセットを汚染し、テスト入力の予測結果を変更することを目的としている。
データ・ポゾン・ロバスト性を決定する既存の方法には、精度が劣るか、長い実行時間がある。
本稿では,広く使用されている教師あり学習手法に対して,データ収集の堅牢性を証明するとともに,そのファルシフィケーションを図り得る系統的テストベース手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T07:19:17Z) - Real-Time Evaluation in Online Continual Learning: A New Hope [104.53052316526546]
計算コストに関して,現在の継続学習(CL)手法を評価した。
簡単なベースラインは、この評価の下で最先端のCL法より優れている。
これは、既存のCL文献の大部分は、実用的でない特定の種類のストリームに適合していることを驚くほど示唆している。
論文 参考訳（メタデータ） (2023-02-02T12:21:10Z) - Part-X: A Family of Stochastic Algorithms for Search-Based Test
Generation with Probabilistic Guarantees [3.9119084077397863]
ファルシフィケーションはサイバー物理システムにおける誤動作を発見するための実用的で効果的な方法であることが証明されている。
ファルシフィケーション法の性能と適用性は常に改善されているにもかかわらず、それらは共通の特徴を共有している。
テスト予算が枯渇したときの誤動作(偽装者)の欠如を保証しない最善策である。
論文 参考訳（メタデータ） (2021-10-20T19:05:00Z) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳（メタデータ） (2021-07-01T17:59:07Z) - DA-DGCEx: Ensuring Validity of Deep Guided Counterfactual Explanations
With Distribution-Aware Autoencoder Loss [0.0]
ディープラーニングモデルは、解釈可能性の欠如により、しばしばブラックボックスと見なされる。
本稿では,DA-DGCEx(Deep Guided Counterfactual Explanations)について述べる。
DGCExのコスト関数に、分散の反ファクトなインスタンスからペナルティを課す用語を追加する。
論文 参考訳（メタデータ） (2021-04-19T05:44:18Z)
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。