論文の概要: Expert-Guided Class-Conditional Goodness-of-Fit Scores for Interpretable Classification with Informative Missingness: An Application to Seismic Monitoring

• arxiv url: http://arxiv.org/abs/2604.14809v1
• Date: Thu, 16 Apr 2026 09:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.824939
• Title: Expert-Guided Class-Conditional Goodness-of-Fit Scores for Interpretable Classification with Informative Missingness: An Application to Seismic Monitoring
• Title（参考訳）: インフォーマティブ・欠損を伴う解釈可能な分類のためのエキスパートガイド付きクラスコンディショナル・オブ・フィットスコア:地震モニタリングへの応用
• Authors: Shahar Cohen, David M. Steinberg, Yael Radzyner, Yochai Ben Horin,
• Abstract要約: 本稿では,広汎な情報不足,学習プロセスへの部分的事前知識の統合,解釈可能な意思決定ルールの必要性という,3つの重要な課題から分類問題を考察する。 本稿では,1つ以上のクラスに対して,専門家が指導するクラス条件モデルを通じて事前知識を符号化するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.1199585259018459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study a classification problem with three key challenges: pervasive informative missingness, the integration of partial prior expert knowledge into the learning process, and the need for interpretable decision rules. We propose a framework that encodes prior knowledge through an expert-guided class-conditional model for one or more classes, and use this model to construct a small set of interpretable goodness-of-fit features. The features quantify how well the observed data agree with the expert model, isolating the contributions of different aspects of the data, including both observed and missing components. These features are combined with a few transparent auxiliary summaries in a simple discriminative classifier, resulting in a decision rule that is easy to inspect and justify. We develop and apply the framework in the context of seismic monitoring used to assess compliance with the Comprehensive Nuclear-Test-Ban Treaty. We show that the method has strong potential as a transparent screening tool, reducing workload for expert analysts. A simulation designed to isolate the contribution of the proposed framework shows that this interpretable expert-guided method can even outperform strong standard machine-learning classifiers, particularly when training samples are small.
• Abstract（参考訳）: 本稿では,広汎な情報不足,学習プロセスへの部分的事前知識の統合,解釈可能な意思決定ルールの必要性という,3つの重要な課題から分類問題を考察する。 本稿では,1つ以上のクラスに対して,専門家が指導するクラス条件モデルを通じて事前知識を符号化するフレームワークを提案する。 これらの特徴は、観察されたデータが専門家モデルとどの程度うまく一致しているかを定量化し、観察されたコンポーネントと欠落したコンポーネントを含む、データのさまざまな側面のコントリビューションを分離する。 これらの特徴は、単純な識別的分類器におけるいくつかの透過的な補助的な要約と組み合わせられ、その結果、検査や正当化が容易な決定規則が導かれる。 我々は,包括的核実験バン条約の遵守を評価するために使用される地震モニタリングの文脈で,この枠組みを開発し,適用する。 本手法は,透過的なスクリーニングツールとしての可能性が強く,専門家の作業負荷を低減できることを示す。 提案フレームワークのコントリビューションを分離するために設計されたシミュレーションは、この解釈可能な専門家誘導手法が、特にトレーニングサンプルが小さい場合には、強力な標準機械学習分類器よりも優れていることを示している。

関連論文リスト

• Incomplete Multi-View Multi-Label Classification via Shared Codebook and Fused-Teacher Self-Distillation [39.27376279295644]
  一貫性のある表現学習のためのより構造化されたメカニズムを導入する。 マルチビュー共有コードブックとクロスビュー再構成を用いて、離散的な一貫した表現を学習する。 さらに,融合型自己蒸留フレームワークについても紹介する。
  論文  参考訳（メタデータ） (2026-04-05T16:22:38Z)
• Fairness and Sparsity within Rashomon sets: Enumeration-Free Exploration and Characterization [4.554831326324025]
  本研究では,数理プログラミングに基づく列挙自由法を導入し,公平さや疎さなどの諸特性を特徴付ける。 提案手法を2つの仮説クラス(スコアリングシステムと決定図)に適用する。
  論文  参考訳（メタデータ） (2025-02-07T19:43:34Z)
• Explaining the Unexplained: Revealing Hidden Correlations for Better Interpretability [1.8274323268621635]
  Real Explainer(RealExp)は、Shapley値を個々の特徴と特徴相関の重要度に分解する、解釈可能性の手法である。 RealExpは、個々の特徴とそれらの相互作用を正確に定量化することで、解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-12-02T10:50:50Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。 この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Evaluating Disentanglement in Generative Models Without Knowledge of Latent Factors [71.79984112148865]
  本稿では,学習中に提示される学習力学に基づいて生成モデルのランキング付けを行う手法を提案する。 本手法は,近年の解離の理論的特徴から着想を得たものであり,その根底にある潜伏因子の監督は不要である。
  論文  参考訳（メタデータ） (2022-10-04T17:27:29Z)
• Resolving label uncertainty with implicit posterior models [71.62113762278963]
  本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。 異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
  論文  参考訳（メタデータ） (2022-02-28T18:09:44Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。