論文の概要: Spectral Model eXplainer: a chemically-grounded explainability framework for spectral-based machine learning models

• arxiv url: http://arxiv.org/abs/2605.02684v1
• Date: Mon, 04 May 2026 15:01:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.351047
• Title: Spectral Model eXplainer: a chemically-grounded explainability framework for spectral-based machine learning models
• Title（参考訳）: Spectral Model eXplainer: スペクトルベース機械学習モデルのための化学的基盤的説明可能性フレームワーク
• Authors: Jose Vinicius Ribeiro, Rafael Figueira Goncalves, Fabio Luiz Melquiades, Sylvio Barbon Junior,
• Abstract要約: 本研究では、スペクトル分類器をエキスパートインフォームドスペクトルゾーンで説明する、ポストホックでグローバルなモデルに依存しないXAIフレームワークであるスペクトルモデルeXplainer(SMX)を紹介する。 SMXはPCAを介して各ゾーンを要約し、量子ベースの論理述語を定義し、摂動による関係を推定し、有向重み付きグラフでバッグワイズランキングを集計する。
• 参考スコア（独自算出の注目度）: 0.6487259764989486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral-based machine learning models have been increasingly deployed in chemometrics and spectroscopy, where predictive accuracy is as important as explainability. Current employed eXplainable Artificial Intelligence (XAI) methods are largely adapted from tabular or generic multivariate domains, assigning relevance to isolated spectral variables rather than to the chemically meaningful spectral zones. Widely adopted tools such as SHapley Additive exPlanations (SHAP), Permutation Feature Importance (PFI), and Variable Importance in Projection scores (VIP) were not designed for the physical continuity and high collinearity of spectral data, and their variable-level outputs require post-hoc aggregation to recover zone-level information. This study introduces the Spectral Model eXplainer (SMX), a post-hoc, global, model-agnostic XAI framework that explains spectral classifiers through expert-informed spectral zones. SMX summarizes each zone via PCA, defines quantile-based logical predicates, estimates predicate relevance with perturbation in stochastic subsamples, and aggregates bag-wise rankings in a directed weighted graph summarized by Local Reaching Centrality. A key component is threshold spectrum reconstruction, which back-projects predicate boundaries to the original spectral domain in natural measurement units, enabling direct visual comparison with measured spectra. The method was evaluated on eight real spectral datasets (six based on X-ray Fluorescence--XRF and two based on Gamma-ray Spectrometry) and one synthetic benchmark with known gr
• Abstract（参考訳）: スペクトルベースの機械学習モデルは、予測精度が説明可能性と同じくらい重要であるケロメトリや分光学にますます導入されている。 現在のeXplainable Artificial Intelligence (XAI)法は、主に表や一般的な多変量領域から適用されており、化学的に意味のあるスペクトル領域ではなく、孤立したスペクトル変数に関連を割り当てている。 SHAP(SHapley Additive exPlanations)やPFI(Permutation Feature Importance)、VIP(Variable Importance in Projection score)といった広く採用されているツールは、スペクトルデータの物理的連続性と高いコリニアリティのために設計されておらず、その可変レベルの出力は、ゾーンレベルの情報を回復するためにポストホックアグリゲーションを必要とする。 本研究では、スペクトル分類器をエキスパートインフォームドスペクトルゾーンで説明する、ポストホックでグローバルなモデルに依存しないXAIフレームワークであるスペクトルモデルeXplainer(SMX)を紹介する。 SMXはPCAを介して各ゾーンを要約し、量子ベースの論理述語を定義し、確率的なサブサンプルの摂動による述語関係を推定し、局所リーチ中心性によって要約された有向重み付きグラフでバッグワイズランキングを集計する。 重要な要素は閾値スペクトル再構成であり、これは自然測定単位における原スペクトル領域への予測境界をバックプロジェクションすることで、測定されたスペクトルと直接視覚的に比較することができる。 この手法は、8つの実スペクトルデータセット(X線蛍光-XRF法とガンマ線分光法に基づく2つのXRF法)と、既知のグラを用いた1つの合成ベンチマークで評価された。

関連論文リスト

• Extracting latent representations from X-ray spectra. Classification, regression, and accretion signatures of Chandra sources [0.0]
  本研究の目的は、深層学習を用いたチャンドラX線スペクトルのコンパクトで物理的に意味のある表現を開発することである。 変換器ベースのオートエンコーダを用いてX線スペクトルを圧縮する。 スペクトル再構成精度,クラスタリング性能,および物理量との相関から学習表現を評価する。
  論文  参考訳（メタデータ） (2025-10-15T21:20:32Z)
• SpecCLIP: Aligning and Translating Spectroscopic Measurements for Stars [6.314253302704276]
  我々は、LLMにインスパイアされた方法論を恒星スペクトル分析に拡張する基盤モデルフレームワークであるSpecCLIPを提案する。 大規模データセットの基盤モデルをトレーニングすることで、さまざまな下流アプリケーションをサポートする堅牢で情報に富んだ埋め込みを学ぶことが私たちのゴールです。 これらのモデルを中規模ラベル付きデータセットに微調整することで、恒星パラメータ推定や化学特性決定といったタスクへの適応性が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-02T17:49:52Z)
• Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
  XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2025-06-13T15:58:05Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)
• Persistent spectral based machine learning (PerSpect ML) for drug design [0.0]
  薬物設計のための永続スペクトルベース機械学習(PerSpect ML)モデルを提案する。 我々は、11の永続スペクトル変数を考慮し、タンパク質-リガンド結合親和性予測における機械学習モデルの特徴として利用する。 これらのデータベースに対する私たちの結果は、知る限り、既存のすべてのモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-02-03T07:14:21Z)

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。