論文の概要: AGOP-IxG: A Gradient Covariance Filter for Local Feature Attribution on Tabular Data, with a Controlled Benchmark

• arxiv url: http://arxiv.org/abs/2605.15700v1
• Date: Fri, 15 May 2026 07:45:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.209771
• Title: AGOP-IxG: A Gradient Covariance Filter for Local Feature Attribution on Tabular Data, with a Controlled Benchmark
• Title（参考訳）: AGOP-IxG:制御ベンチマーク付き局所特徴属性のための勾配共分散フィルタ
• Abstract要約: AGOP-IxG は、各サンプル毎の勾配を、上位の$K$ のランク付けされた平均勾配外積行列でプリ乗算する高速な帰属法である。 第1部では, 線形, スパース非線形, 相互作用に基づく3つの合成多クラス表計算タスクを構築し, サンプルあたりの接地トラス属性を解析的に, 数値的に導出可能である。 第2部では、ROARプロトコルを用いて、アダルト所得とクレジットカードのデフォルトに対するグローバルな忠実度を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated machine learning pipelines increasingly produce models whose predictions must be explained to end users, auditors, and downstream decision systems. The most widely used feature attribution methods (SHAP, Integrated Gradients, LIME) are typically chosen by convention rather than measured fidelity, because rigorous evaluation is impeded by the absence of ground-truth attribution on real data. We propose AGOP-IxG, a fast per-sample attribution method for tabular classifiers that pre-multiplies the per-sample gradient by a top-$K$ rank-truncated Average Gradient Outer Product matrix, and evaluate it against four widely-used baselines on a controlled tabular benchmark designed for AutoML practitioners. In Part 1, we construct three synthetic multi-class tabular tasks (linear, sparse nonlinear, interaction-based) where ground-truth attribution per sample is analytically or numerically derivable, and compare five methods: AGOP-IxG, SHAP (DeepExplainer), Integrated Gradients, InputXGradient, and LIME. AGOP-IxG leads on Spearman rank correlation and noise feature mass on all three synthetic datasets, and on top-$k$ precision on the interaction dataset. Across all settings, AGOP-IxG is approximately $350\times$ to $1{,}650\times$ faster than SHAP. In Part 2, we evaluate global faithfulness on Adult Income and Credit Card Default using the ROAR protocol; the methods cluster within $\sim 1.7\%$ relative AUC, consistent with AGOP-IxG being optimized for per-sample local attribution rather than global feature ranking.
• Abstract（参考訳）: 自動機械学習パイプラインは、エンドユーザー、監査人、下流の意思決定システムに予測を説明する必要があるモデルをますます生成します。 最も広く使われている特徴帰属法(SHAP, 積分勾配, LIME)は, 実データに対する地道帰属の欠如によって厳密な評価が妨げられるため, 一般に測定忠実性よりも慣例によって選択される。 本稿では,AgOP-IxGを提案する。AgOP-IxGは,AgOP-IxGという表型分類器の高速な帰属手法で,表型分類器の勾配を上位の$K$で事前乗算し,AutoML実践者向けに設計された制御表型ベンチマーク上で広く使用されている4つのベースラインに対して評価する。 第1部では,サンプルあたりの接地構造が解析的あるいは数値的に導出可能な3つの合成多クラス表計算タスク(線形,疎非線形,相互作用ベース)を構築し,AGOP-IxG,SHAP(DeepExplainer),統合勾配,InputXGradient,LIMEの5つの手法を比較した。 AGOP-IxGは3つの合成データセットのすべてにおいて、Spearmanのランク相関とノイズ特徴量、および相互作用データセットの上位$kの精度を導く。 すべての設定で、AGOP-IxGは約350\times$1{,}650\times$ SHAPより速い。 第2部では、ROARプロトコルを用いて、アダルト所得とクレジットカードのデフォルトに対するグローバルな忠実度を評価し、グローバルな特徴ランキングではなく、サンプルごとの属性に最適化されたAGOP-IxGと一致して、$\sim 1.7\%のAUC内でのメソッドクラスタをクラスタ化する。

関連論文リスト

• Beyond Text Matching: Towards Reference-Free Evaluation for Human-Oriented Binary Reverse Engineering [30.567931362297553]
  我々は,多次元の人的判断に基づく最初の専門家による基準のない評価ベンチマークであるBinJudgeBenchを紹介する。 BinJudgeは、人間の専門家との相関を4.5%-24.7%改善し、APIコストを0.06$times$-0.84$times$に削減する。
  論文  参考訳（メタデータ） (2026-08-07T09:48:25Z)
• Active Learning with Low-Rank Structure for Data Selection [85.43185363043362]
  低ランク近似と残差に基づくサンプリングに基づく新しいデータ選択フレームワークを提案する。 平均損失がデータセット全体の平均損失を近似した$tildeOleft(k + frac1varepsilon2right)$データポイントの重み付きサブセットを選択することができることを示す。
  論文  参考訳（メタデータ） (2026-06-14T22:29:59Z)
• EmbGen: Teaching with Reassembled Corpora [0.300988853836121]
  コーパスをエンティティ記述ペアに分解する合成データ生成パイプラインであるEmbGenを紹介する。 EmbGen を EntiGraph,InstructLab,Knowledge-Instruct に対して,多種多様な意味的不均一性のデータセット上で評価する。
  論文  参考訳（メタデータ） (2026-05-19T05:40:12Z)
• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• Deterministic Fuzzy Triage for Legal Compliance Classification and Evidence Retrieval [0.0]
  法律チームはますます、大量の契約上の証拠をトリアージするために機械学習を使用している。 多くのモデルは不透明で非決定論的であり、HIPAAやNERC-CIPのようなフレームワークと整合するのは難しい。 決定論的双対エンコーダと透明なファジィトリアージバンドに基づく簡単な再現可能な代替法について検討する。
  論文  参考訳（メタデータ） (2026-03-08T00:31:34Z)
• Scalable Batch Correction for Cell Painting via Batch-Dependent Kernels and Adaptive Sampling [11.090378514502477]
  本稿では,バッチ間でサンプルを整列させるスケーラブルなバッチサンプリング手法であるBALANSを提案する。 BALANSはほぼ線形時間で$n$で実行されることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:20:08Z)
• Towards Zero-Shot Point Cloud Registration Across Diverse Scales, Scenes, and Sensor Setups [41.033896572767496]
  ゼロショット一般化を実現するトレーニングフリー登録フレームワークであるBUFFER-Xを提案する。 提案手法は階層型マルチスケールマッチングを用いて,局所,中,大域の受容領域にまたがる対応を抽出する。 効率クリティカルなアプリケーションでは、BUFFER-X-Liteを導入し、総時間を43%削減する。
  論文  参考訳（メタデータ） (2026-01-06T06:51:24Z)
• Enhancing Unsupervised Feature Selection via Double Sparsity Constrained Optimization [6.342485512772862]
  教師なし単一特徴選択(UFS)は機械学習やパターン認識に広く応用されている。 既存の手法のほとんどはスパーシリティしか考慮していないため、サブセットを選択し、元のサブセットと区別することは困難である。 本稿では,DSCOFSと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-01T05:05:46Z)
• Unsupervised Domain Adaptation for Action Recognition via Self-Ensembling and Conditional Embedding Alignment [2.06242362470764]
  本稿では, 整合正則化, 時間アンサンブル, 条件分布アライメントの3つの関数からなる新しい共同最適化アーキテクチャを提案する。 $mu$DARは、平均マクロF1スコアを4つのベンチマークwHARデータセットで6つの最先端UDAメソッドで改善する$approx$4-12%の範囲をもたらす。
  論文  参考訳（メタデータ） (2024-10-23T00:59:27Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Generalized Differentiable RANSAC [95.95627475224231]
  $nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。 $nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
  論文  参考訳（メタデータ） (2022-12-26T15:13:13Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative Filtering [59.349057602266]
  変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。 内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。 FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
  論文  参考訳（メタデータ） (2021-09-13T08:31:59Z)
• Score-based Generative Modeling in Latent Space [93.8985523558869]
  スコアベース生成モデル(SGM)は,最近,サンプル品質と分布範囲の両面で顕著な結果を示した。 本稿では,Latent Score-based Generative Model (LSGM)を提案する。 データから潜在空間への移動により、より表現力のある生成モデルをトレーニングし、非連続データにSGMを適用し、よりスムーズなSGMをより小さな空間で学習することができる。
  論文  参考訳（メタデータ） (2021-06-10T17:26:35Z)
• Gradient Matching for Domain Generalization [93.04545793814486]
  機械学習システムの重要な要件は、見えないドメインに一般化する能力です。 ドメインの一般化を目標とするドメイン間勾配マッチングの目的を提案する。 我々は、その最適化を近似する単純な一階アルゴリズムfishを導出する。
  論文  参考訳（メタデータ） (2021-04-20T12:55:37Z)

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。