Fugu-MT 論文翻訳(概要): Towards Rigorous Explainability by Feature Attribution

論文の概要: Towards Rigorous Explainability by Feature Attribution

arxiv url: http://arxiv.org/abs/2604.15898v1
Date: Fri, 17 Apr 2026 09:56:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-20 22:00:19.869592
Title: Towards Rigorous Explainability by Feature Attribution
Title（参考訳）: 特徴属性による厳密な説明可能性を目指して
Abstract要約: 非象徴的な方法は厳密さを欠き、人間の意思決定者を誤解させる可能性がある。機械学習の高度な利用において、厳密さの欠如は特に問題となる。本稿では,XAIの厳密な象徴的手法を,非象徴的アプローチの代替として活用するための取り組みを概説する。
参考スコア（独自算出の注目度）: 5.407319151576265
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For around a decade, non-symbolic methods have been the option of choice when explaining complex machine learning (ML) models. Unfortunately, such methods lack rigor and can mislead human decision-makers. In high-stakes uses of ML, the lack of rigor is especially problematic. One prime example of provable lack of rigor is the adoption of Shapley values in explainable artificial intelligence (XAI), with the tool SHAP being a ubiquitous example. This paper overviews the ongoing efforts towards using rigorous symbolic methods of XAI as an alternative to non-rigorous non-symbolic approaches, concretely for assigning relative feature importance.
Abstract（参考訳）: 約10年間、複雑な機械学習(ML)モデルを説明する際には、象徴的でない方法が選択肢として選択されてきた。残念ながら、そのような方法には厳格さがなく、人間の意思決定者を誤解させる可能性がある。 MLの高用法では、厳密さの欠如が特に問題となる。証明可能な厳密さの欠如の1つの主要な例は、説明可能な人工知能(XAI)におけるShapley値の採用であり、ツールSHAPはユビキタスな例である。本稿では,XAIの厳密な象徴的手法を,非厳密な非象徴的手法の代替として活用するための継続的な取り組みについて概説する。

関連論文リスト

Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
論文参考訳（メタデータ） (2026-05-09T15:30:52Z)
Distance-Restricted Explanations: Theoretical Underpinnings & Efficient Implementation [19.22391463965126]
機械学習(ML)のいくつかの用途には、高い評価と安全性クリティカルなアプリケーションが含まれる。本稿では,論理ベースの説明器の性能向上のための新しいアルゴリズムについて検討する。
論文参考訳（メタデータ） (2024-05-14T03:42:33Z)
Adversarial Examples Are Not Real Features [55.5802648842869]
citetilyas 2019adversarialのよく知られた理論は、データの観点から敵の脆弱性を説明する。我々は、複数の学習パラダイムを取り入れることで、理論をより大きな文脈から再検討する。
論文参考訳（メタデータ） (2023-10-29T08:50:27Z)
On Formal Feature Attribution and Its Approximation [37.3078859524959]
本稿では,形式的説明列挙に基づく特徴属性に対する形式的XAIの応用法を提案する。この問題の実際的な複雑さを考慮し, 正確なFFAを近似する効率的な手法を提案する。
論文参考訳（メタデータ） (2023-07-07T04:20:36Z)
XAI-TRIS: Non-linear image benchmarks to quantify false positive post-hoc attribution of feature importance [1.3958169829527285]
形式的な基盤の欠如は、与えられた XAI 法の結果からどの結論を安全に導き出すことができるのかがはっきりしない。これは、一般的にディープニューラルネットワークによって解決される非線形問題に挑戦するが、現在は適切な治療法が欠如していることを意味する。我々は,一般的なXAI手法が,ランダムな性能基準やエッジ検出方法よりも著しく優れていることを示す。
論文参考訳（メタデータ） (2023-06-22T11:31:11Z)
Theoretical Behavior of XAI Methods in the Presence of Suppressor Variables [0.8602553195689513]
近年,「説明可能な人工知能(XAI)」のコミュニティは,モデル「複雑性」と「解釈可能性」のギャップを埋めるための膨大な手法を生み出している。本研究のアプローチの大部分は, 相関雑音の存在下での非クラス関連抑制機能に非ゼロの重要性が寄与すると考えられる。
論文参考訳（メタデータ） (2023-06-02T11:41:19Z)
What is Flagged in Uncertainty Quantification? Latent Density Models for Uncertainty Categorization [68.15353480798244]
不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
論文参考訳（メタデータ） (2022-07-11T19:47:00Z)
IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
論文参考訳（メタデータ） (2021-06-23T03:43:10Z)
Rational Shapley Values [0.0]
ポストホックな説明可能な人工知能(XAI)の一般的なツールは、文脈に敏感であるか、要約が難しい。非互換なアプローチを合成し拡張する新しいXAI手法である、エミュレーション型シェープリー値を導入する。私は、意思決定理論や因果モデリングのツールを活用して、XAIにおける多くの既知の課題を解決する実用的なアプローチを定式化し、実装します。
論文参考訳（メタデータ） (2021-06-18T15:45:21Z)
A new interpretable unsupervised anomaly detection method based on residual explanation [47.187609203210705]
本稿では,大規模システムにおけるAEベースのADの制限に対処する新しい解釈可能性手法であるRXPを提案する。実装の単純さ、計算コストの低さ、決定論的振る舞いが特徴である。実鉄道路線のデータを用いた実験において,提案手法はSHAPよりも優れた性能を示した。
論文参考訳（メタデータ） (2021-03-14T15:35:45Z)
Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文参考訳（メタデータ） (2020-11-15T22:36:59Z)
Overcoming the curse of dimensionality with Laplacian regularization in semi-supervised learning [80.20302993614594]
ラプラシア正規化の欠点を克服するための統計的解析を提供する。望ましい振る舞いを示すスペクトルフィルタリング法を多数発表する。我々は,本手法を大量のデータで利用できるようにするために,現実的な計算ガイドラインを提供する。
論文参考訳（メタデータ） (2020-09-09T14:28:54Z)

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。