論文の概要: RoSHAP: A Distributional Framework and Robust Metric for Stable Feature Attribution

• arxiv url: http://arxiv.org/abs/2605.15154v1
• Date: Thu, 14 May 2026 17:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.997759
• Title: RoSHAP: A Distributional Framework and Robust Metric for Stable Feature Attribution
• Title（参考訳）: RoSHAP: 安定した機能属性のための分散フレームワークとロバストメトリクス
• Authors: Lanxin Xiang, Liang Shi, Youhui Ye, Boyu Jiang, Dawei Zhou, Feng Guo,
• Abstract要約: 本稿では,特徴属性の予測特性とロシュアトリビューション指標(ロシュアトリビューション指標)を,SHAP測定値に基づく安定な特徴ランキングに組み込むためのフレームワークを提案する。 正規性条件下では、集約された特徴属性スコアはガウスであり、分布推定の計算コストを大幅に削減することを示す。 RoSHAPアプローチは、マシンラーニングモデルの安定性と解釈性を改善し、分析のための信頼性と一貫性のある洞察を可能にする。
• 参考スコア（独自算出の注目度）: 10.49574311383701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature attribution analysis is critical for interpreting machine learning models and supporting reliable data-driven decisions. However, feature attribution measures often exhibit stochastic variation: different train--test splits, random seeds, or model-fitting procedures can produce substantially different attribution values and feature rankings. This paper proposes a framework for incorporating stochastic nature of feature attribution and a robust attribution metric, RoSHAP, for stable feature ranking based on the SHAP metric. The proposed framework models the distribution of feature attribution scores and estimates it through bootstrap resampling and kernel density estimation. We show that, under mild regularity conditions, the aggregated feature attribution score is asymptotically Gaussian, which greatly reduces the computational cost of distribution estimation. The RoSHAP summarizes the distribution of SHAP into a robust feature-ranking criterion that simultaneously rewards features that are active, strong, and stable. Through simulations and real-data experiments, the proposed framework and RoSHAP outperform standard single-run attribution measures in identifying signal features. In addition, models built using RoSHAP-selected features achieve predictive performance comparable to full-feature models while using substantially fewer predictors. The proposed RoSHAP approach improves the stability and interpretability of machine learning models, enabling reliable and consistent insights for analysis.
• Abstract（参考訳）: 特徴属性分析は、機械学習モデルを解釈し、信頼できるデータ駆動決定をサポートするために重要である。 異なる列車-テスト分割、ランダムシード、またはモデル適合手順は、かなり異なる属性値と特徴ランキングを生成することができる。 本稿では,特徴属性の確率的性質を取り入れたフレームワークを提案する。 提案フレームワークは,特徴属性の分布をモデル化し,ブートストラップ再サンプリングとカーネル密度推定により推定する。 軽度規則性条件下では,集計特徴属性スコアは漸近的にガウス的であり,分布推定の計算コストを大幅に削減することを示した。 RoSHAPはSHAPの分布を、アクティブで、強力で、安定な特徴を同時に報酬する、堅牢な特徴レベルの基準にまとめている。 シミュレーションと実データ実験により,提案したフレームワークとRoSHAPは信号の特徴を特定するための標準単一実行属性尺度より優れていた。 さらに、RoSHAP選択機能を使用して構築されたモデルは、ほぼ少ない予測子を使用しながら、フル機能モデルに匹敵する予測性能を達成する。 提案したRoSHAPアプローチは、機械学習モデルの安定性と解釈可能性を改善し、分析のための信頼性と一貫性のある洞察を可能にする。

関連論文リスト

• Empirical Characterization of Rationale Stability Under Controlled Perturbations for Explainable Pattern Recognition [0.876171257490837]
  モデル説明の整合性を評価するための新しい指標を提案する。 我々は,SST-2感情分析データセット上で,事前学習したBERTモデルを用いて,この指標を実装した。 モデル説明における誤一致予測と矛盾を識別する能力を評価する。
  論文  参考訳（メタデータ） (2026-04-06T06:05:21Z)
• Distributional Evaluation of Generative Models via Relative Density Ratio [12.663086000741872]
  相対密度比(RDR)に基づく生成モデルの機能評価指標を提案する。 生成モデルに適合する良さの関数的要約としてのRDRは、いくつかの望ましい理論的性質を持っていることを示す。 推定されたRDRは、競合する生成モデルの全体的な性能を効果的に比較できるだけでなく、基礎となる善良性を明らかにするための便利な手段も提供できることを示す。
  論文  参考訳（メタデータ） (2025-10-29T13:31:35Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• The Lie of the Average: How Class Incremental Learning Evaluation Deceives You? [48.83567710215299]
  クラスインクリメンタルラーニング(CIL)では、モデルが学習済みのクラスを忘れずに、新しいクラスを継続的に学習する必要がある。 我々は、ロバストなCIL評価プロトコルは、性能分布全体を正確に特徴付け、推定するべきであると論じる。 我々は,タスク間類似度を用いて,極端なクラスシーケンスを適応的に識別し,サンプリングする評価プロトコルEDGEを提案する。
  論文  参考訳（メタデータ） (2025-09-26T17:00:15Z)
• SHAP-Guided Regularization in Machine Learning Models [1.0515439489916734]
  本稿では,特徴量制約をモデルトレーニングに組み込んだSHAP誘導正規化フレームワークを提案する。 提案手法は, アントロピーに基づくペナルティを応用し, スパース, 集中した特徴属性の促進と, 試料間の安定性の促進を図った。
  論文  参考訳（メタデータ） (2025-07-31T15:45:38Z)
• Model averaging in the space of probability distributions [0.0]
  ワッサーシュタイン距離の観点から,確率分布空間におけるアグリゲーションスキームについて検討した。 標準弾性ネットのペナル化を動機とする正則化スキームを用いて, 空間特性を享受するモデルが連続的に得られることを示す。 提案手法は,クレームサイズ分布と関連するテールリスクを推定するために,現実の保険損失のデータセットに適用される。
  論文  参考訳（メタデータ） (2025-07-15T20:41:57Z)
• Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
  政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。 モデルに基づくベイズ強化学習の観点から問題を考察する。 本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
  論文  参考訳（メタデータ） (2023-08-12T14:59:19Z)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)

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。