論文の概要: Deep Arguing

• arxiv url: http://arxiv.org/abs/2605.10569v1
• Date: Mon, 11 May 2026 13:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.856047
• Title: Deep Arguing
• Title（参考訳）: Deep Arguing
• Authors: Adam Gould, Francesca Toni,
• Abstract要約: 本稿では、Deep Arguingを紹介する。Deep Arguingは、Deep Learningと議論の構築と解釈可能な分類のための推論を統合する新しいニューロシンボリックアプローチである。 我々のアプローチでは、ディープニューラルネットワークは、データポイントが割り当てられたラベルをサポートし、異なるラベルを攻撃する引数構造を構築する。 推論に微分可能な議論の意味論を用いて、モデルは特徴表現と議論的相互作用を共同で学習するためにエンドツーエンドで訓練される。
• 参考スコア（独自算出の注目度）: 16.876231197553594
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep learning has become the dominant approach for creating high capacity, scalable models across diverse data modalities. However, because these models rely on a large number of learned parameters, tightly couple feature extraction with task objectives, and often lack explicit reasoning mechanisms, it is difficult for humans to understand how they arrive at their predictions. Understanding what representations emerge and why they arise from the training data remains an open challenge. We introduce Deep Arguing, a novel neurosymbolic approach that integrates deep learning with argumentation construction and reasoning for interpretable classification with different data modalities. In our approach deep neural networks construct an argumentation structure wherein data points support their assigned label and attack different ones. Using differentiable argumentation semantics for reasoning, the model is trained end-to-end to jointly learn feature representation and argumentative interactions. This results in argumentation structures providing faithful case-based explanations for predictions. Structure constraints over the argumentation graph guide learning, improving both interpretability and predictive performance. Experiments with tabular and imaging datasets show that Deep Arguing achieves performance competitive with standard baselines whilst offering interpretable argumentative reasoning.
• Abstract（参考訳）: ディープラーニングは、さまざまなデータモダリティにまたがる高容量でスケーラブルなモデルを作成する上で、主要なアプローチになっています。 しかし、これらのモデルは多数の学習パラメータに依存しており、タスク目的と密に結合した特徴抽出であり、しばしば明確な推論機構が欠如しているため、人間がどのように予測に到達したかを理解することは困難である。 トレーニングデータから表現が生まれる理由を理解することは、依然としてオープンな課題である。 本稿では,Deep Arguingを紹介した。Deep Arguingは,深層学習を議論構築と統合し,異なるデータモダリティによる解釈可能な分類の推論を行う新しいニューロシンボリックアプローチである。 我々のアプローチでは、ディープニューラルネットワークは、データポイントが割り当てられたラベルをサポートし、異なるラベルを攻撃する引数構造を構築する。 推論に微分可能な議論の意味論を用いて、モデルは特徴表現と議論的相互作用を共同で学習するためにエンドツーエンドで訓練される。 この結果は、予測に忠実なケースベースの説明を提供する議論構造をもたらす。 議論グラフガイド学習における構造的制約、解釈可能性と予測性能の改善。 表と画像のデータセットによる実験では、Deep Arguingは解釈可能な議論的推論を提供しながら、標準的なベースラインと競合するパフォーマンスを実現している。

関連論文リスト

• 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)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• Counterfactual and Semifactual Explanations in Abstract Argumentation: Formal Foundations, Complexity and Computation [19.799266797193344]
  議論ベースのシステムは、意思決定プロセスをサポートしながら説明責任を欠くことが多い。 対実的・半実的な説明は解釈可能性のテクニックである。 本稿では,制約の弱いArgumentation Frameworkにおいて,逆ファクトおよび半ファクトのクエリを符号化可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T07:27:27Z)
• Explaining Explainability: Towards Deeper Actionable Insights into Deep Learning through Second-order Explainability [70.60433013657693]
  2階説明可能なAI(SOXAI)は、最近インスタンスレベルからデータセットレベルまで説明可能なAI(XAI)を拡張するために提案されている。 そこで本研究では,SOXAIの動作可能な洞察に基づくトレーニングセットから無関係な概念を除外することで,モデルの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-06-14T23:24:01Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• CUP: Curriculum Learning based Prompt Tuning for Implicit Event Argument Extraction [22.746071199667146]
  Implicit Event argument extract (EAE) は、文書に散らばる可能性のある引数を特定することを目的としている。 本稿では,4つの学習段階によって暗黙的EAEを解消する,カリキュラム学習に基づくプロンプトチューニング(CUP)手法を提案する。 さらに,事前学習した言語モデルから関連する知識を引き出すために,プロンプトベースのエンコーダデコーダモデルを統合する。
  論文  参考訳（メタデータ） (2022-05-01T16:03:54Z)
• Interpretable Deep Learning: Interpretations, Interpretability, Trustworthiness, and Beyond [49.93153180169685]
  一般に混同される2つの基本的な概念(解釈と解釈可能性)を紹介・明らかにする。 我々は,新しい分類法を提案することにより,異なる視点から,最近のいくつかの解釈アルゴリズムの設計を詳細に述べる。 信頼される」解釈アルゴリズムを用いてモデルの解釈可能性を評価する上での既存の作業をまとめる。
  論文  参考訳（メタデータ） (2021-03-19T08:40:30Z)
• Interpreting Neural Networks as Gradual Argumentation Frameworks (Including Proof Appendix) [0.34265828682659694]
  フィードフォワードニューラルネットワークの興味深いクラスを定量的な議論フレームワークとして理解できることを示す。 この接続は、形式的議論と機械学習の間の橋渡しとなる。
  論文  参考訳（メタデータ） (2020-12-10T15:18:15Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。