論文の概要: A Unified Framework for Uncertainty-Aware Explainable Artificial Intelligence: A Case Study in Power Quality Disturbance Classification

• arxiv url: http://arxiv.org/abs/2605.21114v1
• Date: Wed, 20 May 2026 12:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.67695
• Title: A Unified Framework for Uncertainty-Aware Explainable Artificial Intelligence: A Case Study in Power Quality Disturbance Classification
• Title（参考訳）: 不確かさを意識した説明可能な人工知能のための統一フレームワーク:電力品質の分類を事例として
• Authors: Yinsong Chen, Samson S. Yu, Zhong Li, Chee Peng Lim,
• Abstract要約: ポストホックな説明可能なAI(XAI)メソッドは一般的に決定論的属性マップを生成するが、ベイズニューラルネットワーク(BNN)は説明よりも分布を誘導する。 本稿では,任意のリプシッツ連続帰属演算子によるBNN後部のプッシュフォワード測度として,エンフラネーション分布を定式化する。 平均, ばらつき, 変動係数, 量子化係数, 集合理論の集約測度を用いて, 説明分布を要約する演算子の一般族である不確実性認識関連属性演算子 (UA-RAO) を提案する。
• 参考スコア（独自算出の注目度）: 17.224114053715528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-hoc explainable AI (XAI) methods typically produce deterministic attribution maps, whereas Bayesian neural networks (BNNs) induce a distribution over explanations. Capturing the variability of this distribution is important for uncertainty-aware decision-making. This paper formalises the \emph{explanation distribution} as the push-forward measure of the BNN posterior through any Lipschitz-continuous attribution operator. It further proposes the uncertainty-aware relevance attribution operator (UA-RAO), a general family of operators that summarises the explanation distribution using the mean, variance, coefficient of variation, quantiles, and set-theoretic aggregation measures. Theoretical support is provided through Monte Carlo accessibility and Wasserstein approximation bounds. The framework is evaluated on a 15-class power quality disturbance (PQD) classification benchmark, comparing three BNN approximations paired with three attribution operators using relevance mass accuracy and intersection-over-union as localisation metrics. Results show that deep ensembles with the mean UA-RAO improve localisation over the deterministic baseline, while other UA-RAO summaries reveal uncertainty patterns absent from point-estimate attributions. Qualitative results on measured signals further suggest that these patterns generalise beyond the synthetic training distribution. The framework is domain-agnostic and can be applied to any BNN paired with a Lipschitz-continuous attribution operator.
• Abstract（参考訳）: ポストホックな説明可能なAI(XAI)メソッドは一般的に決定論的属性マップを生成するが、ベイズニューラルネットワーク(BNN)は説明よりも分布を誘導する。 この分布の変動を捉えることは、不確実性を認識した意思決定にとって重要である。 本稿では、任意のリプシッツ連続帰属作用素を通してBNN後部のプッシュフォワード測度として \emph{explanation distribution} を定式化する。 さらに, 平均, 分散, 変動係数, 量子化係数, 集合論的な集約測度を用いて, 説明分布を要約する演算子の一般ファミリーである不確実性認識関連属性演算子 (UA-RAO) を提案する。 理論的支援はモンテカルロアクセシビリティとワッサーシュタイン近似境界によって提供される。 このフレームワークは、15級電力品質障害(PQD)分類ベンチマークで評価され、3つの属性演算子と組み合わせた3つのBNN近似を関連質量精度と交叉結合を局所化指標として比較した。 その結果, 平均的UA-RAOとの深いアンサンブルは, 決定論的基準線上の局所性を改善する一方, 他のUA-RAO要約では, 点推定属性が欠如していることが判明した。 測定信号の定性的結果は、これらのパターンが合成学習分布を超えて一般化されることをさらに示唆している。 このフレームワークはドメインに依存しず、リプシッツ連続帰属演算子と組み合わせた任意のBNNに適用できる。

関連論文リスト

• Causal Neural Probabilistic Circuits [13.696507778417326]
  概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、概念層を導入し、概念予測からクラスラベルを予測することによって、エンドツーエンドのニューラルネットワークの解釈可能性を高める。 本稿では,ニューラル属性予測回路と因果グラフからコンパイルされた因果確率回路を組み合わせた因果確率回路(CNPC)を提案する。 CNPCは、割り込み属性の数によって高いタスク精度を達成する。
  論文  参考訳（メタデータ） (2026-03-02T02:15:24Z)
• SIC: Similarity-Based Interpretable Image Classification with Neural Networks [3.0248879829045388]
  SICは、意思決定プロセスのローカルおよびグローバルな説明を提供するニューラルネットワークである。 SICは,Stanford DogsとFunnyBirdsのきめ細かい分類,Pascal VOCの多ラベル分類,RSNAデータセットの病理診断の3つのタスクで評価した。
  論文  参考訳（メタデータ） (2025-01-28T22:39:03Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Coalitional Bayesian Autoencoders -- Towards explainable unsupervised deep learning [78.60415450507706]
  その結果,BAEの予測は高い相関関係にあり,誤解を招くことが示唆された。 これを軽減するために、エージェントベースのシステム理論にインスパイアされた"Coalitional BAE"が提案されている。 公開条件監視データセットに関する実験は、Coalitional BAEを用いた説明の質の向上を実証している。
  論文  参考訳（メタデータ） (2021-10-19T15:07:09Z)
• Conditional Bures Metric for Domain Adaptation [14.528711361447712]
  教師なしドメイン適応(UDA)は近年広く注目を集めている。 従来のUDA法では、ラベル分布の識別情報を無視しながら、異なるドメインの限界分布がシフトしていると仮定していた。 本研究では,現在の条件不変モデルに大きな関心を持つ条件分布シフト問題に焦点をあてる。
  論文  参考訳（メタデータ） (2021-07-31T18:06:31Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Implicit Distributional Reinforcement Learning [61.166030238490634]
  2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC) 半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。 我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
  論文  参考訳（メタデータ） (2020-07-13T02:52:18Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。