論文の概要: U-CECE: A Universal Multi-Resolution Framework for Conceptual Counterfactual Explanations

• arxiv url: http://arxiv.org/abs/2604.08295v1
• Date: Thu, 09 Apr 2026 14:30:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.962496
• Title: U-CECE: A Universal Multi-Resolution Framework for Conceptual Counterfactual Explanations
• Title（参考訳）: U-CECE: 概念的対実的説明のための普遍的多解法フレームワーク
• Authors: Angeliki Dimitriou, Nikolaos Chaidos, Maria Lymperaiou, Giorgos Filandrianos, Giorgos Stamou,
• Abstract要約: U-CECEは、概念的対実的説明のための統一的、モデルに依存しないマルチレゾリューションフレームワークである。 幅広い説明のための原子概念、単純な相互作用のための関係集合、完全な意味構造のための構造グラフの3つのレベルにまたがる。
• 参考スコア（独自算出の注目度）: 12.949562489002304
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As AI models grow more complex, explainability is essential for building trust, yet concept-based counterfactual methods still face a trade-off between expressivity and efficiency. Representing underlying concepts as atomic sets is fast but misses relational context, whereas full graph representations are more faithful but require solving the NP-hard Graph Edit Distance (GED) problem. We propose U-CECE, a unified, model-agnostic multi-resolution framework for conceptual counterfactual explanations that adapts to data regime and compute budget. U-CECE spans three levels of expressivity: atomic concepts for broad explanations, relational sets-of-sets for simple interactions, and structural graphs for full semantic structure. At the structural level, both a precision-oriented transductive mode based on supervised Graph Neural Networks (GNNs) and a scalable inductive mode based on unsupervised graph autoencoders (GAEs) are supported. Experiments on the structurally divergent CUB and Visual Genome datasets characterize the efficiency-expressivity trade-off across levels, while human surveys and LVLM-based evaluation show that the retrieved structural counterfactuals are semantically equivalent to, and often preferred over, exact GED-based ground-truth explanations.
• Abstract（参考訳）: AIモデルが複雑化するにつれて、信頼性の構築には説明責任が不可欠になるが、概念に基づく反ファクト的手法は、表現性と効率性のトレードオフに直面している。 基本概念をアトミック集合として表現することは高速であるが、関係文脈を見逃す一方、完全なグラフ表現はより忠実であるが、NPハードグラフ編集距離(GED)問題を解く必要がある。 U-CECEは,データ構造や計算予算に適応する概念的対実的説明のための統一的,モデルに依存しないマルチレゾリューションフレームワークである。 U-CECEは、幅広い説明のための原子概念、単純な相互作用のための関係集合、完全な意味構造のための構造グラフの3つのレベルにまたがる。 構造レベルでは、教師付きグラフニューラルネットワーク(GNN)に基づく精度指向トランスダクティブモードと、教師なしグラフオートエンコーダ(GAE)に基づくスケーラブルなインダクティブモードの両方がサポートされている。 構造的に異なるCUBとVisual Genomeデータセットの実験では、レベル間の効率と表現率のトレードオフを特徴付ける一方、人間による調査とLVLMに基づく評価では、得られた構造上の反事実は意味論的に等価であり、正確なGEDベースの地下構造の説明よりも好まれる。

関連論文リスト

• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Structure Your Data: Towards Semantic Graph Counterfactuals [1.8817715864806608]
  概念に基づく対実的説明(CE)は、モデル予測にどの高レベルな意味的特徴が寄与するかを理解するための代替シナリオを考える説明である。 本研究では,入力データに付随する意味グラフに基づくCEを提案する。
  論文  参考訳（メタデータ） (2024-03-11T08:40:37Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Concept-free Causal Disentanglement with Variational Graph Auto-Encoder [4.171080633895958]
  本稿では, 最適因子を近似した理論的に証明可能な高次境界上に構築した, 概念自由因果解(concept-free causal disentanglement)を提案する。 本研究では,新しい因果不整合層を変分グラフオートエンコーダに組み込むことで,概念自由因果VGAE(Concept-free Causal VGAE)を提案する。 そこで我々は,概念自由因果不整合(concept-free causal disentanglement)フレームワークにおいて概念整合性を証明し,概念自由因果メタグラフ(concept-free causal Meta-Graph)と呼ばれるメタラーニングフレームワークを強化する。
  論文  参考訳（メタデータ） (2023-11-17T16:50:00Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)

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。