論文の概要: SAILS: Surrogate-based Analysis of Interactions via Local Effect Smooths

• arxiv url: http://arxiv.org/abs/2606.09404v1
• Date: Mon, 08 Jun 2026 12:22:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.978333
• Title: SAILS: Surrogate-based Analysis of Interactions via Local Effect Smooths
• Title（参考訳）: SAILS:局所効果の平滑化による相互作用のサロゲートに基づく解析
• Authors: Timo Heiß, Julia Herbinger, Bernd Bischl, Giuseppe Casalicchio,
• Abstract要約: 局所効果Smooths (SAILS) による相互作用の代理ベース分析(Surrogate-based Interactions)は、相互の相互作用を分析するモデルに依存しないフレームワークである。 興味のある特徴の間隔ごとに、代理項は微分レベルで相互作用成分を分離する。 我々は,制御されたシミュレーションと実世界のタスクを通じて,このフレームワークを実証的に検証し,ペアインタラクションの有効性を実証した。
• 参考スコア（独自算出の注目度）: 12.435976341898135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature interactions drive much of the predictive power of machine learning models, yet existing explanation methods only detect and quantify interactions without revealing their functional form, or visualize only restricted interaction types. We propose Surrogate-based Analysis of Interactions via Local effect Smooths (SAILS), a model-agnostic framework that analyzes pairwise interactions through interpretable generalized additive model (GAM) surrogates fitted to the local effects of a black-box model. For each interval of a feature of interest, the surrogate smooth terms isolate the interaction components on derivative level, enabling (i) interaction detection through a heuristic derived from significance tests on smooth terms, (ii) interaction form categorization into linear, product-separable, and non-product-separable types, and (iii) tailored, interpretable visualizations for each interaction type. We empirically validate the framework through controlled simulations and a real-world task, demonstrating its effectiveness for pairwise interactions, with limitations under strong feature correlations and higher-order interactions. SAILS fills a notable gap in the XAI toolbox, going beyond detection of interactions alone to characterizing their functional form.
• Abstract（参考訳）: 機能的相互作用は、機械学習モデルの予測能力の多くを駆動するが、既存の説明手法は、その機能的形式を明らかにすることなく、あるいは制限された相互作用タイプのみを可視化することなく、インタラクションを検出し、定量化するのみである。 我々は,ブラックボックスモデルの局所効果に適合するGAMサロゲートを用いて,相互相互作用を解析するモデル非依存フレームワークであるSurrogate-based Interactions via Local effect Smooths (SAILS)を提案する。 興味のある特徴の間隔ごとに、代理な滑らかな項は、微分レベルで相互作用成分を分離し、可能とする。 (i)スムーズな用語の意義試験から導かれるヒューリスティックによる相互作用検出 (二)相互作用形式を線形・製品分離型・非製品分離型に分類し、 (iii) インタラクションタイプごとにカスタマイズされた解釈可能な可視化。 我々は,制御されたシミュレーションと実世界のタスクを通じて,強い特徴相関と高次相互作用の制約を条件として,両者の相互作用の有効性を実証し,その枠組みを実証的に検証した。 SAILSはXAIツールボックスの顕著なギャップを埋め、相互作用のみを検出して機能形式を特徴づける。

関連論文リスト

• Activation Functions, Statistics and Learning of Higher-Order Interactions in Restricted Boltzmann Machines [0.0]
  隠れ単位活性化関数の異なる制限ボルツマンマシンによって誘導される相互作用の統計について検討する。 我々は、誘導された相互作用の分布のモーメントの観点から、表現可能なモデルの空間を解析的に特徴づける。 指数関数のような急速に増加する非線形性は、そのようなデータ構造の表現と学習を容易にする。
  論文  参考訳（メタデータ） (2026-05-18T23:04:24Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Uni-Inter: Unifying 3D Human Motion Synthesis Across Diverse Interaction Contexts [59.78384600454231]
  We present Uni-Inter, a unified framework for human motion generation that support a wide range of interaction scenarios。 Uni-Interは、異種インタラクティブエンティティを共有空間にエンコードするボリューム表現であるUnified Interactive Volume (UIV)を導入している。
  論文  参考訳（メタデータ） (2025-11-17T06:32:38Z)
• LEMON: Learning 3D Human-Object Interaction Relation from 2D Images [56.6123961391372]
  人間の物体と物体の相互作用関係の学習は、AIと相互作用モデリングの具体化に不可欠である。 既存のほとんどの手法は、孤立した相互作用要素を予測することを学ぶことで目標に近づいている。 本稿では,相互の相互作用意図をマイニングし,幾何相関の抽出を導出するための曲率を用いた統一モデルLEMONを提案する。
  論文  参考訳（メタデータ） (2023-12-14T14:10:57Z)
• Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
  本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。 提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。 全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
  論文  参考訳（メタデータ） (2023-04-30T19:45:04Z)
• DIDER: Discovering Interpretable Dynamically Evolving Relations [14.69985920418015]
  本稿では,内在的解釈可能性を備えた汎用的なエンドツーエンドインタラクションモデリングフレームワークであるDIDER,Discovering Interpretable Dynamically Evolving Relationsを紹介する。 合成と実世界の両方のデータセット上でDIDERを評価する。
  論文  参考訳（メタデータ） (2022-08-22T20:55:56Z)
• REPID: Regional Effect Plots with implicit Interaction Detection [0.9023847175654603]
  解釈可能な機械学習手法は、限界特徴効果を可視化するが、特徴相互作用が存在する場合の誤解を招く可能性がある。 興味のある特徴と他の特徴との相互作用を検出する新しいフレームワークである暗黙の相互作用検出を導入する。 このフレームワークはまた、相互作用の強さを定量化し、特徴効果をより確実に解釈できる解釈可能な異なる領域を提供する。
  論文  参考訳（メタデータ） (2022-02-15T08:54:00Z)
• Unlimited Neighborhood Interaction for Heterogeneous Trajectory Prediction [97.40338982628094]
  マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。 具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。 階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
  論文  参考訳（メタデータ） (2021-07-31T13:36:04Z)
• Information Interaction Profile of Choice Adoption [2.9972063833424216]
  相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。 相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。 ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
  論文  参考訳（メタデータ） (2021-04-28T10:42:25Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)

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。