論文の概要: A Causal Argumentation Method for Explainability of Machine Learning Models

• arxiv url: http://arxiv.org/abs/2605.21758v1
• Date: Wed, 20 May 2026 21:40:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.492728
• Title: A Causal Argumentation Method for Explainability of Machine Learning Models
• Title（参考訳）: 機械学習モデルの説明可能性に関する因果分解法
• Authors: Henry Salgado, Meagan R. Kendall, Martine Ceberio,
• Abstract要約: 本稿では,モデルがなぜ予測を行うのかを説明するために,因果関係と議論に基づく推論を統合する新しい手法を提案する。 提案手法はまず,因果発見手法を用いて変数間の因果関係を同定する。 特定の結果が選択された理由を説明する機能の拡張を見つけます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainable AI (XAI) methods identify which features are relevant to a model's predictions but often fail to clarify why certain decisions are made. In this work, we present a novel method that integrates causality with argument-based reasoning to explain why models may be making predictions. Our approach first identifies causal relationships among variables using causal discovery methods and then translates these into a Bipolar Argumentation Framework (BAF) to represent supportive and opposing interactions among features. By using semi-stable semantics, we find extensions of features that explain why certain outcomes may have been chosen. We demonstrate our method on two benchmark datasets and compare its results against standard post-hoc explainability approaches.
• Abstract（参考訳）: 説明可能なAI(XAI)メソッドは、モデルの予測に関連がある機能を特定するが、なぜ特定の決定が下されたのかを明確にしないことが多い。 本研究では,モデルがなぜ予測を行うのかを説明するために,因果関係と議論に基づく推論を統合する新しい手法を提案する。 提案手法はまず,まず因果探索法を用いて変数間の因果関係を同定し,これらをバイポーラ調停フレームワーク(BAF)に変換し,特徴間の支持的・反対的相互作用を表現する。 半安定なセマンティクスを用いることで、ある結果が選択された理由を説明する機能の拡張が見つかる。 提案手法を2つのベンチマークデータセット上で実証し、その結果を標準的なポストホックな説明可能性アプローチと比較する。

関連論文リスト

• Internal Causal Mechanisms Robustly Predict Language Model Out-of-Distribution Behaviors [61.92704516732144]
  正当性予測の最も堅牢な特徴は、モデルの振舞いに特徴的な因果的役割を果たすものであることを示す。 モデル出力の正しさを予測するために因果メカニズムを利用する2つの手法を提案する。
  論文  参考訳（メタデータ） (2025-05-17T00:31:39Z)
• Counterfactual explainability and analysis of variance [3.4895986723227383]
  複雑なモデルやシステムを説明する既存のツールは因果関係ではなく関連性がある。 本稿では,因果帰属に対する反事実的説明可能性という新しい概念を提案する。
  論文  参考訳（メタデータ） (2024-11-03T16:29:09Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Explaining Causal Models with Argumentation: the Case of Bi-variate Reinforcement [15.947501347927687]
  因果モデルから議論フレームワーク(AF)を生成するための概念化を導入する。 この概念化は、AFの意味論の望ましい性質を説明型として再解釈することに基づいている。 我々はこれらの論証的説明の理論的評価を行い、それらが望ましい説明的および論証的特性の範囲を満たすかどうかを検討する。
  論文  参考訳（メタデータ） (2022-05-23T19:39:51Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Contrastive Explanations for Model Interpretability [77.92370750072831]
  分類モデルの対照的説明を生成する手法を提案する。 本手法は潜在空間へのモデル表現の投影に基づいている。 本研究は,モデル決定のより正確できめ細かな解釈性を提供するためのラベルコントラスト的説明の能力に光を当てた。
  論文  参考訳（メタデータ） (2021-03-02T00:36:45Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism [2.28438857884398]
  因果図形構造における潜時楽器変数や隠蔽共通原因などの潜時変数の役割について検討する。 2つの変数間の因果関係を推論する新しいアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-07-17T08:18:19Z)

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。