論文の概要: FlagGAM: Rule-Based Generalized Additive Modeling for Explainable Tabular Prediction

• arxiv url: http://arxiv.org/abs/2605.31189v1
• Date: Fri, 29 May 2026 11:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.583322
• Title: FlagGAM: Rule-Based Generalized Additive Modeling for Explainable Tabular Prediction
• Title（参考訳）: FlagGAM: 説明可能な単語予測のためのルールベース一般化付加モデル
• Abstract要約: FlagGAMは、機能レベルのルール構築を予測から分離する、ルール定義のフレームワークである。 混合型分類と回帰、特徴特異的重み付け、オプションで柔軟な予測ヘッドをサポートする。
• 参考スコア（独自算出の注目度）: 2.243070583662716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular prediction in high-stakes domains requires models that are accurate, transparent, and robust to imperfect inputs. We propose FlagGAM, a rule-defined basis framework that separates feature-level rule construction from prediction. A Flag Core Module converts numerical and categorical variables into sparse, human-readable univariate bases, including threshold flags, category-level flags, tail-deviation bases, and categorical step functions; a default additive head then combines these bases as a restricted GAM-style predictor. Rather than reducing triggered rules to compact count summaries, FlagGAM retains a sparse rule-basis matrix that supports mixed-type classification and regression, feature-specific weighting, and optional flexible prediction heads. Across tabular benchmarks, default FlagGAM remains close to EBM in transparent additive mode, improves substantially over ridge regression on mixed-type regression, and shows smaller AUROC degradation than common baselines under missing and noisy perturbations. Flexible heads further improve accuracy and approach strong tree-based baselines, with the caveat that the resulting model should be interpreted as a rule-basis representation followed by a nonlinear predictor rather than as a fully additive GAM. Overall, FlagGAM provides a practical middle ground for tabular settings that require competitive accuracy, communicable rules, and robustness to imperfect inputs.
• Abstract（参考訳）: 高吸収領域におけるタブラル予測は、正確で透明で、不完全な入力に対して堅牢なモデルを必要とする。 特徴レベルルール構築と予測を分離するルール定義ベースフレームワークであるFragGAMを提案する。 Flag Core Moduleは、数値変数とカテゴリ変数を、しきい値フラグ、カテゴリレベルのフラグ、テール削除ベース、カテゴリステップ関数を含む、スパースで可読なユニバリケートベースに変換する。 FlagGAMは、トリガルールをコンパクトなカウントサマリーに還元する代わりに、混合型分類と回帰、特徴特異的重み付け、オプションの柔軟な予測ヘッドをサポートするスパースルールベーシ行列を保持している。 表のベンチマーク全体では、デフォルトのFragGAMは透過的な添加モードでEMMに近づき、混合型回帰におけるリッジの回帰を大幅に改善し、欠落とノイズの混在下での一般的なベースラインよりもAUROCの劣化が小さいことを示す。 フレキシブルヘッドは精度をさらに向上し、強い木ベースのベースラインに近づき、結果として得られるモデルは、完全に加法的なGAMではなく、非線形予測器によって、ルールベイズ表現として解釈されるべきである。 全体として、FragGAMは、競争精度、コミュニケーション可能なルール、不完全な入力に対する堅牢性を必要とする、表の設定のための実用的な中核を提供する。

関連論文リスト

• Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
  汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。 本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
  論文  参考訳（メタデータ） (2026-08-15T13:19:25Z)
• Interpretable Fuzzy Rule-Based Regression Extension for Ex-Fuzzy Library [2.48490797934472]
  本稿では,Ex-Fuzzyライブラリの解釈可能なレグレッション拡張を提案する。 これはデータから直接学習されたスカラー列によるMamdani fuzzy推論を可能にする。 提案した実装は、ブラックボックス回帰モデルの透過的で競争力のある代替手段を提供する。
  論文  参考訳（メタデータ） (2026-07-22T15:25:38Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Feedback Guidance of Diffusion Models [14.162420300295365]
  Interval-Free Guidance (CFG) は, 条件付き拡散モデルにおける試料の忠実度向上の標準となっている。 本稿では,FBG(FeedBack Guidance)を提案する。
  論文  参考訳（メタデータ） (2025-06-06T13:46:32Z)
• Practical Bayes-Optimal Membership Inference Attacks [51.06337749378432]
  我々は、独立および同一分散データ(すなわち、d)とグラフ構造化データの両方に対して、実用的かつ理論的に基礎付けられたメンバーシップ推論攻撃(MIA)を開発する。 Sublayrollesらによるベイズ決定理論の枠組みに基づいて、グラフニューラルネットワークに対するノードレベルのMIAに対するベイズ最適メンバシップ推定規則を導出する。
  論文  参考訳（メタデータ） (2025-05-30T00:23:01Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• SoftPQ: Robust Instance Segmentation Evaluation via Soft Matching and Tunable Thresholds [0.0]
  フレキシブルかつ解釈可能なインスタンスセグメンテーションメトリックであるSoftPQを提案する。 我々は、既存のメトリクスが見落としているセグメンテーション品質の有意義な違いをSoftPQが捉えていることを示す。
  論文  参考訳（メタデータ） (2025-05-17T22:08:33Z)

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。