論文の概要: Regional Explanations: Bridging Local and Global Variable Importance

• arxiv url: http://arxiv.org/abs/2604.11223v1
• Date: Mon, 13 Apr 2026 09:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.45282
• Title: Regional Explanations: Bridging Local and Global Variable Importance
• Title（参考訳）: 地域説明 : 地域とグローバルの多様性の重要性を橋渡しする
• Authors: Salim I. Amoukou, Nicolas J-B. Brunel,
• Abstract要約: 音響的局所帰属法は, モデル出力に影響を及ぼさない特徴や, 機能関連特徴に統計的に依存しない特徴に重きを置くべきではない。 本稿では,局所的な説明とグローバルな説明のギャップを埋め,より正確な属性を提供するR-LOCOを提案する。
• 参考スコア（独自算出の注目度）: 5.8153681798663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We analyze two widely used local attribution methods, Local Shapley Values and LIME, which aim to quantify the contribution of a feature value $x_i$ to a specific prediction $f(x_1, \dots, x_p)$. Despite their widespread use, we identify fundamental limitations in their ability to reliably detect locally important features, even under ideal conditions with exact computations and independent features. We argue that a sound local attribution method should not assign importance to features that neither influence the model output (e.g., features with zero coefficients in a linear model) nor exhibit statistical dependence with functionality-relevant features. We demonstrate that both Local SV and LIME violate this fundamental principle. To address this, we propose R-LOCO (Regional Leave Out COvariates), which bridges the gap between local and global explanations and provides more accurate attributions. R-LOCO segments the input space into regions with similar feature importance characteristics. It then applies global attribution methods within these regions, deriving an instance's feature contributions from its regional membership. This approach delivers more faithful local attributions while avoiding local explanation instability and preserving instance-specific detail often lost in global methods.
• Abstract（参考訳）: 特徴値$x_i$と特定の予測$f(x_1, \dots, x_p)$の寄与を定量化する。 広く使われているにもかかわらず、正確な計算と独立した特徴を持つ理想的な条件下であっても、局所的に重要な特徴を確実に検出する能力の基本的な限界を特定する。 音響局所帰属法は、モデル出力に影響を及ぼさない特徴(例えば、線形モデルにおいてゼロ係数を持つ特徴)や、機能関連特徴に統計的に依存しない特徴に重きを置くべきではない。 ローカルSVとLIMEの両方がこの基本原則に違反していることを実証する。 そこで本稿では,R-LOCO(Regional Leave Out Covariates)を提案する。 R-LOCOは入力空間を同様の特徴を持つ領域に分割する。 その後、これらの領域内でグローバルな属性メソッドを適用し、インスタンスの特徴的貢献をその地域メンバーシップから導き出す。 このアプローチは、局所的な説明不安定を避けながら、より忠実なローカル属性を提供し、グローバルメソッドでしばしば失われるインスタンス固有の詳細を保存する。

関連論文リスト

• Efficiency Follows Global-Local Decoupling [62.05489838893081]
  ConvNeurは、軽量なニューラルメモリブランチがトークンの集合にグローバルなコンテキストを集約する2分岐アーキテクチャである。 学習ゲートは、グローバルなキューが目的を絞ることなく、局所的な特徴を調整できる。 標準的な分類、検出、セグメンテーションのベンチマークでは、ConvNeurは同等または低い計算で同等の選択肢にマッチするか、超えている。
  論文  参考訳（メタデータ） (2026-03-20T02:20:16Z)
• GRANITE: A Generalized Regional Framework for Identifying Agreement in Feature-Based Explanations [10.111546558028271]
  特徴に基づく説明法は、機能がモデルの振る舞いにどのように影響するかを、局所的またはグローバル的に定量化することを目的としているが、異なる方法はしばしば一致しない。 本稿では,特徴空間を相互作用や分布の影響を最小限に抑える領域に分割する一般化された地域説明フレームワークを提案する。 実世界のデータセット上での有効性を実証し、一貫性と解釈可能な特徴説明のための実用的なツールを提供する。
  論文  参考訳（メタデータ） (2026-01-30T09:49:26Z)
• Provable Recovery of Locally Important Signed Features and Interactions from Random Forest [0.0]
  パーソナライズドメディカルなどの多くの領域では、個々の予測に対する局所的な解釈が必要とされることが多い。 決定経路に沿った特徴の頻繁な共起を識別する,局所的,モデル特異的なFII手法を提案する。 提案手法は局所スパイクスパース(LSS)モデルの下で,真の局所信号特徴とその相互作用を常に回復することを示す。
  論文  参考訳（メタデータ） (2025-12-11T19:53:15Z)
• VARSHAP: Addressing Global Dependency Problems in Explainable AI with Variance-Based Local Feature Attribution [3.545940115969205]
  SHAPのような既存の特徴属性法は、しばしばグローバルな依存に悩まされ、真のローカルモデルの振る舞いを捉えられなかった。 本稿では,特徴の重要度として,予測分散の低減を利用したモデルに依存しない新しい局所特徴属性法であるVARSHAPを紹介する。
  論文  参考訳（メタデータ） (2025-06-08T17:26:47Z)
• Model agnostic local variable importance for locally dependent relationships [2.3374134413353254]
  局所変数の重要度を計算するためのモデルに依存しない新しい手法であるCLIQUEを提案する。 変数が応答に影響しない領域において,CLIQUEは局所的依存情報を強調し,バイアスを適切に低減することを示す。
  論文  参考訳（メタデータ） (2024-11-13T17:59:44Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning [77.72330187258498]
  エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。 グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
  論文  参考訳（メタデータ） (2021-11-03T11:13:13Z)
• LRC-Net: Learning Discriminative Features on Point Clouds by Encoding Local Region Contexts [65.79931333193016]
  本稿では,LRC-Net(Local-Region-Context Network)を提案する。 LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。 その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2020-03-18T14:34:08Z)

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。