論文の概要: Counterfactual Explanations for Deep Two-Sample Testing

• arxiv url: http://arxiv.org/abs/2606.04009v1
• Date: Fri, 29 May 2026 14:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.232655
• Title: Counterfactual Explanations for Deep Two-Sample Testing
• Title（参考訳）: 深部2サンプル試験における非現実的説明法
• Abstract要約: 2サンプルテストは、科学的領域間での分布差を検出するための基本的なツールである。 最近のディープ2サンプルテストは、情報表現を学習することで、これらの設定の感度を向上させる。 本稿では,深部2サンプルテストのための実例説明フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.491513951159988
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Two-sample testing is a fundamental tool for detecting distributional differences across scientific domains, but classical tests (including kernel-based tests) can be ineffective on high-dimensional structured data such as images. Recent deep two-sample tests improve sensitivity in these settings by learning informative representations, yet they provide limited insight into which data features drive rejection of the null hypothesis $H_0$. To address this issue, we propose a counterfactual explanation framework for deep two-sample testing that generates sample-level edits moving observations from a source group toward a target group while explicitly reducing the discrepancy measured by the test. Our method combines a diffusion autoencoder with a pretrained deep two-sample test model and optimizes a maximum mean discrepancy (MMD) objective in the test model's representation space to produce plausible counterfactuals. We quantify distribution-level effects through changes in the test statistic and the resulting two-sample p-values. We evaluate the method on synthetic 2D shape datasets and two MRI cohorts. Across both settings, the counterfactual transformations consistently increase p-values relative to the original samples, indicating that the edited source set becomes statistically closer to the target distribution under the test. We measure minimality using LPIPS to ensure the counterfactuals remain close to the original samples. The resulting edits provide interpretable evidence of the features associated with the detected group differences. On MRI, the localized changes are consistent with known anatomical differences between cohorts.
• Abstract（参考訳）: 2サンプルテストは、科学的領域間での分布差を検出するための基本的なツールであるが、古典的なテスト(カーネルベースのテストを含む)は、画像のような高次元構造データでは効果がない。 最近のディープ2サンプルテストでは、情報表現を学習することで、これらの設定の感度が向上している。 この問題に対処するため,本研究では,ソースグループからターゲットグループへの移動観察を,サンプルレベルの編集によって生成する深層2サンプルテストの非現実的説明フレームワークを提案する。 提案手法は,拡散オートエンコーダと事前訓練された深部2サンプルテストモデルを組み合わせることで,実験モデルの表現空間における最大平均誤差(MMD)目標を最適化し,妥当な反事実を生成する。 テスト統計量と結果の2サンプルp値の変化を通して分布レベルの効果を定量化する。 合成2次元形状データセットと2つのMRIコホートについて評価を行った。 両方の設定において、逆ファクト変換は元のサンプルに対するp値を一貫して増加させ、編集されたソースセットが試験対象の分布に統計的に近づくことを示す。 LPIPSを用いて最小限の測定を行い、その反ファクトが元のサンプルに近づき続けることを保証する。 結果として得られた編集は、検出されたグループ差に関連する特徴の解釈可能な証拠を提供する。 MRIでは、局所的な変化はコホート間の既知の解剖学的差異と一致している。

関連論文リスト

• Should I Use This Synthetic Dataset for Training? How to Test with Minimal Real Data [73.19814469893088]
  デジタルツインと学習された世界モデルは、エンジニアリングシステムにおける人工知能(AI)モデルのトレーニングに利用可能な、少ない実際のデータセットを増大させる合成データを生成するために、ますます使われています。 本稿では,拡張データセットのトレーニングが真の,人口レベルのパフォーマンスを向上する一方で,実際のテストデータポイントを可能な限り少なく消費するかどうかを論じる。 合成データ分類タスク、DT支援無線パケットスケジューリングタスク、および無線マップ予測タスクにおいて、aeSFTは平均ベースのシーケンシャルテストよりもはるかに少ない実検サンプルを用いて有用な合成データを識別することを示す。
  論文  参考訳（メタデータ） (2026-08-28T07:05:38Z)
• Zero-Flow Two-Sample Tests [47.04254380987003]
  そこで本研究では,2組のサンプルが同一分布から抽出されるか否かを判定するための2サンプル試験手法を提案する。 この試験はゼロフロー整合性(ゼロフロー整合性)(ZFD)というゼロフロー整合性(ゼロフロー整合性)に基づく統計的整合性の上に構築される。 我々はZFDの有効性を証明し、ゼロフロー2サンプルテスト(ZF2ST)と呼ばれる実用的な試験手順を提案する。
  論文  参考訳（メタデータ） (2026-07-23T17:27:23Z)
• A nonparametric two-sample test using a parametric integral probability metric [10.249944506187989]
  新たに導入された積分確率メートル法(IPM)に基づく新しい2サンプルテスト統計法を提案する。 結果,PRELU-IPMは非パラメトリックであり,関連する2サンプルテスト手順であるPRELU-TSTの理論的保証を確立した。
  論文  参考訳（メタデータ） (2026-06-15T16:42:57Z)
• Dual Strategies for Test-Time Adaptation [37.36806938657306]
  従来のテスト時間適応アプローチは、ごく少数のテストサンプルを使用してモデルを適応させるのが一般的である。 本稿では,より大規模で多様なテストサンプルを活用することで,分散シフトによる性能向上を実現する新しいフレームワークであるDualTTAを紹介する。
  論文  参考訳（メタデータ） (2026-04-19T17:04:36Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Detecting Adversarial Data by Probing Multiple Perturbations Using Expected Perturbation Score [62.54911162109439]
  逆方向検出は、自然分布と逆方向分布の差に基づいて、与えられたサンプルが逆方向であるかどうかを判定することを目的としている。 本研究では,様々な摂動後の標本の予測スコアであるEPS(pre expected perturbation score)を提案する。 EPSに基づく最大平均誤差(MMD)を,試験試料と自然試料との差を測定する指標として開発する。
  論文  参考訳（メタデータ） (2023-05-25T13:14:58Z)
• 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)
• Active Sequential Two-Sample Testing [18.99517340397671]
  サンプル測定が安価に利用できる新しいシナリオでは,この2サンプルテストの問題を考慮する。 我々は,emphactiveNIST-sampleテストフレームワークを考案し,逐次クエリだけでなく,emphactivelyクエリも考案した。 実際に、我々はフレームワークのインスタンス化を導入し、いくつかの実験を用いて評価する。
  論文  参考訳（メタデータ） (2023-01-30T02:23:49Z)
• Spectral Regularized Kernel Two-Sample Tests [7.915420897195129]
  MMD (maximum mean discrepancy) two-sample test to be optimal to the terms of the separation boundary in the Hellinger distance。 スペクトル正則化に基づくMDD試験の修正を提案し,MMD試験よりも分離境界が小さく,最小限の試験が最適であることを証明した。 その結果,テストしきい値がエレガントに選択されるテストの置換変種が,サンプルの置換によって決定されることがわかった。
  論文  参考訳（メタデータ） (2022-12-19T00:42:21Z)
• Two-Sample Testing on Ranked Preference Data and the Role of Modeling Assumptions [57.77347280992548]
  本稿では,ペアワイズ比較データとランキングデータのための2サンプル試験を設計する。 私たちのテストでは、基本的に分布に関する仮定は必要ありません。 実世界のペアワイズ比較データに2サンプルテストを適用することで、人によって提供される評価とランキングは、実際は異なる分散である、と結論付ける。
  論文  参考訳（メタデータ） (2020-06-21T20:51:09Z)

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。