論文の概要: Explaining the "Why": A Unified Framework for the Additive Attribution of Changes in Arbitrary Measures

• arxiv url: http://arxiv.org/abs/2604.26266v1
• Date: Wed, 29 Apr 2026 03:49:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.245786
• Title: Explaining the "Why": A Unified Framework for the Additive Attribution of Changes in Arbitrary Measures
• Title（参考訳）: 理由」を解説する:任意措置の付加的帰属のための統一的枠組み
• Authors: Changsheng Zhou, Dajun Chen, Zhitao Shen, wei jiang, Yong Li, Peng Di,
• Abstract要約: 協調ゲーム理論の強力なレンズを通して帰属を再構築する原理的枠組みを導入する。 我々の重要な貢献は、その数学的構造に基づく尺度の分類である。 多面的評価により,フレームワークの優位性を実証する。
• 参考スコア（独自算出の注目度）: 9.511180482257737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explaining why aggregated measures change is a critical challenge in data analytics that existing systems struggle to address. While current attribution methods exist, they lack a unified solution that is simultaneously general for arbitrary measures, holistic across both data dimensions and measure composition, and rigorous in its interpretability. To bridge this gap, we introduce a principled framework that reframes attribution through the powerful lens of cooperative game theory. Our key contribution is a classification of measures based on their mathematical structure, which enables a spectrum of algorithms-from general approximations to exact, closed-form solutions-that offer a principled trade-off between generality and performance. We demonstrate our framework's superiority through a multi-faceted evaluation: simulations first confirm its numerical accuracy and then its generality for non-additive measures; a case study on Simpson's Paradox showcases its unique interpretability; and a final experiment proves its practical utility by significantly outperforming existing root cause analysis systems.
• Abstract（参考訳）: 集約された測定がなぜ変化するのかを説明することは、既存のシステムが対処に苦慮しているデータ分析において重要な課題である。 現在の帰属法は存在するが、任意の測度、データ次元と測度組成の両方を包含する全体論、解釈可能性において厳密な統一解は存在しない。 このギャップを埋めるために、協調ゲーム理論の強力なレンズを通して帰属を再構築する原則的枠組みを導入する。 我々の重要な貢献は、その数学的構造に基づいて測度を分類することであり、これはアルゴリズムのスペクトルを、一般性と性能の原則的なトレードオフを提供する、正確な閉形式解へと一般化することができる。 シミュレーションはまずその数値的精度を確認し,次に非加法的尺度の一般性を示す;シムプソンのパラドックスのケーススタディでは,その独特な解釈可能性を示す; そして, 最終実験では, 既存の根本原因分析システムを大幅に上回る実用性を示す。

関連論文リスト

• The Observer-Situation Lattice: A Unified Formal Basis for Perspective-Aware Cognition [2.28438857884398]
  我々は、視点認識のための単一のコヒーレントなセマンティック空間を提供する統一数学的構造であるObserver-Situation Lattice(OSL)を紹介する。 OSL は有限完全格子であり、各要素はユニークなオブザーバ-選択対を表し、信念管理に対する原則的かつスケーラブルなアプローチを可能にする。 我々は,この格子上で動作する2つの重要なアルゴリズムを提案する: (i)相対的信念伝播, 新たな情報を効率的に伝播する漸進的更新アルゴリズム, (ii) 矛盾成分を識別・分離するグラフベースの最小コントラディション分解。
  論文  参考訳（メタデータ） (2026-03-02T03:15:36Z)
• Is Softmax Loss All You Need? A Principled Analysis of Softmax-family Loss [91.61796429377041]
  ソフトマックスの損失は、分類とランキングのタスクにおいて最も広く使用されるサロゲートの目標の1つである。 本研究では,異なるサロゲートが分類とランキングの指標との整合性を達成するかどうかを考察し,それらの勾配ダイナミクスを分析して,異なる収束挙動を明らかにする。 本研究は,大規模機械学習アプリケーションにおける損失選択の実践的ガイダンスとして,原則的基礎を確立した。
  論文  参考訳（メタデータ） (2026-01-30T09:24:52Z)
• Explainable Evidential Clustering [0.0]
  実世界のデータは、しばしば不完全であり、不確かさと不正確さが特徴であり、従来の手法ではうまく扱えない。 Dempster-Shafer理論に基づくエビデンシャルクラスタリングは、これらの課題に対処する。 本稿では,解釈可能かつ慎重な決定木説明を提供するIEMM (Iterative Evidential Mistake Minimization) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T12:44:25Z)
• GLANCE: Global Actions in a Nutshell for Counterfactual Explainability [10.25011737760687]
  2つのアルゴリズムからなる多目的かつ適応的なフレームワークであるGLANCEを紹介する。 C-GLANCEは、特徴空間と反現実的アクションの空間の両方を考慮するクラスタリングアプローチを採用している。 T-GLANCEは柔軟性を高めるための追加機能を提供する。
  論文  参考訳（メタデータ） (2024-05-29T09:24:25Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Enriching Disentanglement: From Logical Definitions to Quantitative Metrics [59.12308034729482]
  複雑なデータにおける説明的要素を遠ざけることは、データ効率の表現学習にとって有望なアプローチである。 論理的定義と量的指標の関連性を確立し, 理論的に根ざした絡み合いの指標を導出する。 本研究では,非交叉表現の異なる側面を分離することにより,提案手法の有効性を実証的に実証する。
  論文  参考訳（メタデータ） (2023-05-19T08:22:23Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)
• A Unified Taylor Framework for Revisiting Attribution Methods [49.03783992773811]
  我々はTaylor属性フレームワークを提案し、7つの主流属性メソッドをフレームワークに再構成する。 我々はTaylor属性フレームワークにおいて、良い属性の3つの原則を確立する。
  論文  参考訳（メタデータ） (2020-08-21T22:07:06Z)

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。