論文の概要: A New Technique for AI Explainability using Feature Association Map

• arxiv url: http://arxiv.org/abs/2605.12350v2
• Date: Wed, 13 May 2026 14:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 17:13:58.906105
• Title: A New Technique for AI Explainability using Feature Association Map
• Title（参考訳）: 特徴関連マップを用いたAI説明可能性の新しい手法
• Authors: Sayantani Ghosh, Amit Kumar Das, Amlan Chakrabarti,
• Abstract要約: AIシステムにおける透明性の欠如は、現実のアプリケーションに課題をもたらす。 システムに対する信頼を確保するために、AIシステムの決定を説明できることが重要です。 我々は、AIシステムの説明のための新しいアルゴリズムFAMeXを提案している。
• 参考スコア（独自算出の注目度）: 3.014079749304548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lack of transparency in AI systems poses challenges in critical real-life applications. It is important to be able to explain the decisions of an AI system to ensure trust on the system. Explainable AI (XAI) algorithms play a vital role in achieving this objective. In this paper, we are proposing a new algorithm for Explaining AI systems, FAMeX (Feature Association Map based eXplainability). The proposed algorithm is based on a graph-theoretic formulation of the feature set termed as Feature Association Map (FAM). The foundation of the modelling is based on association between features. The proposed FAMeX algorithm has been found to be better than the competing XAI algorithms - Permutation Feature Importance (PFI) and SHapley Additive exPlanations (SHAP). Experiments conducted with eight benchmark algorithms show that FAMeX is able to gauge feature importance in the context of classification better than the competing algorithms. This definitely shows that FAMeX is a promising algorithm in explaining the predictions from an AI system
• Abstract（参考訳）: AIシステムにおける透明性の欠如は、重要な現実のアプリケーションに課題をもたらす。 システムに対する信頼を確保するために、AIシステムの決定を説明できることが重要です。 説明可能なAI(XAI)アルゴリズムはこの目的を達成する上で重要な役割を果たす。 本稿では, FAMeX (Feature Association Map based eXplainability) というAIシステムのための新しいアルゴリズムを提案する。 提案アルゴリズムは,FAM (Feature Association Map) と呼ばれる特徴集合のグラフ理論による定式化に基づいている。 モデリングの基礎は特徴の関連に基づいている。 提案したFAMeXアルゴリズムは、競合するXAIアルゴリズム – Permutation Feature Importance (PFI) とSHAP (SHAP) よりも優れていることが判明した。 8つのベンチマークアルゴリズムを用いて行った実験により、FAMeXは競合するアルゴリズムよりも分類の文脈における特徴の重要性を評価できることが示された。 これは、FAMeXがAIシステムの予測を説明するための有望なアルゴリズムであることを確実に示している

関連論文リスト

• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
  MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。 最適解を見つけることは、しばしば計算不可能であり、近似的な準最適アルゴリズムを用いることが不可欠である。 本稿では、MAPFのスケーラブルな機構設計の問題を紹介し、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:26:04Z)
• Anytime Approximate Formal Feature Attribution [33.195028992904355]
  この決定が下されたとき、この決定に寄与した入力機能は何ですか? ヒューリスティックなXAIアプローチは品質保証の欠如に悩まされ、しばしばシェープ値の近似を試みる。 最近の選択肢は、形式的特徴属性(FFA)と呼ばれるもので、その特徴を含む形式的帰納的説明(AXp)の断片として機能の重要性を定義するものである。
  論文  参考訳（メタデータ） (2023-12-12T04:24:05Z)
• Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
  我々はロバスト成分分析のためのアルゴリズムを設計する(A) 行列を低主行列とスパース主行列の和に分解する。
  論文  参考訳（メタデータ） (2023-07-12T03:48:26Z)
• A Meta-Learning Algorithm for Interrogative Agendas [3.0969191504482247]
  我々は,質問的議題を表現するために,標準的な知識表現形式主義である形式概念分析(FCA)に焦点を当てる。 FCAベースのアルゴリズムは、分類や外れ値検出などの標準的な機械学習タスクにすでに使用されている。 本稿では,データを説明する優れた質問課題を構築するためのメタ学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-04T22:09:36Z)
• HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
  両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。 HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
  論文  参考訳（メタデータ） (2022-10-31T14:06:11Z)
• Deep Algorithmic Question Answering: Towards a Compositionally Hybrid AI for Algorithmic Reasoning [0.0]
  問題の解答におけるアルゴリズム推論の課題は、AIに対する"システム"アプローチに効果的に取り組むことができる、と我々は主張する。 本稿では,QA,Deep Algorithmic Question Answeringのためのアルゴリズム推論手法を提案する。
  論文  参考訳（メタデータ） (2021-09-16T14:28:18Z)
• Explainable AI for Classification using Probabilistic Logic Inference [9.656846523452502]
  説明可能な分類法を提案する。 本手法は,まず学習データから記号的知識ベースを構築し,その知識ベース上で線形プログラミングによる確率的推論を行う。 これは、ある分類を説明として責任を負う決定的な特徴を特定し、アートリー値ベースの手法であるSHAPに類似した結果を生成する。
  論文  参考訳（メタデータ） (2020-05-05T11:39:23Z)
• Algorithmic Fairness [11.650381752104298]
  正確であるだけでなく、客観的かつ公正なAIアルゴリズムを開発することが不可欠である。 近年の研究では、アルゴリズムによる意思決定は本質的に不公平である可能性が示されている。
  論文  参考訳（メタデータ） (2020-01-21T19:01:38Z)

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。