論文の概要: Feature Attribution in Directed Acyclic Graphs Using Edge Intervention

• arxiv url: http://arxiv.org/abs/2606.15273v1
• Date: Sat, 13 Jun 2026 12:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.243731
• Title: Feature Attribution in Directed Acyclic Graphs Using Edge Intervention
• Title（参考訳）: エッジインターベンションを用いた直進非巡回グラフの特徴属性
• Authors: Qiheng Sun, Junxu Liu, Xiaokai Mao, Haocheng Xia, Jinfei Liu, Kui Ren, Haibo Hu,
• Abstract要約: 本稿では, エッジ介入に基づくDAG-SHAPと呼ばれる特徴帰属手法を提案する。 私たちのコードはhttps://github.com/ZJU-DIVER/DAG-SHAP.comで公開されています。
• 参考スコア（独自算出の注目度）: 24.076977427411745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shapley value-based feature attribution methods face challenges in scenarios involving complex feature interactions and causal relationships, even when a causal structure is provided. Existing methods typically adopt a node-centric view, attributing importance solely to individual features. Consequently, they often fail to simultaneously capture the externality and exogenous influence of features, leading to unreasonable interpretations. To overcome these limitations, we propose a novel feature attribution method called DAG-SHAP, which is based on edge intervention. DAG-SHAP treats each feature edge as an individual attribution object, ensuring that both externality and exogenous contributions of features are appropriately captured. Additionally, we introduce an approximation method for efficiently computing DAG-SHAP. Extensive experiments on both real and synthetic datasets validate the effectiveness of DAG-SHAP. Our code is available at https://github.com/ZJU-DIVER/DAG-SHAP.
• Abstract（参考訳）: 共有価値に基づく特徴属性法は、因果構造が提供される場合でも、複雑な特徴相互作用や因果関係を含むシナリオにおいて課題に直面している。 既存のメソッドは一般的にノード中心のビューを採用し、個々の機能にのみ寄与する。 その結果、しばしば特徴の外部性と外生的影響を同時に捉えることができず、不合理な解釈に繋がる。 これらの制約を克服するために,エッジ介入に基づくDAG-SHAPと呼ばれる特徴属性手法を提案する。 DAG-SHAPは、各特徴エッジを個々の属性オブジェクトとして扱い、特徴の外部性と外因性の両方を適切にキャプチャする。 さらに,DAG-SHAPを効率的に計算するための近似法を提案する。 DAG-SHAPの有効性を実データと合成データの両方で検証した。 私たちのコードはhttps://github.com/ZJU-DIVER/DAG-SHAP.comで公開されています。

関連論文リスト

• Data-Driven Information-Theoretic Causal Bounds under Unmeasured Confounding [10.590231532335691]
  本研究では,データ駆動型情報理論フレームワークを開発し,条件付き因果関係の同定を行う。 我々の重要な理論的貢献は、観測分布 P(Y | A = a, X = x) と干渉分布 P(Y | do(A = a), X = x) の間の f-分割が、確率スコアのみの関数によって上界であることが示している。 この結果により、外部感度パラメータ、補助変数、完全な構造仕様、結果境界性仮定を必要とせず、観測データから直接条件因果効果を鋭く同定することができる。
  論文  参考訳（メタデータ） (2026-01-23T20:47:48Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• Causal SHAP: Feature Attribution with Dependency Awareness through Causal Discovery [3.717095609283206]
  Causal SHAPは因果関係を特徴属性に統合する新しいフレームワークである。 本研究は、因果認識モデル説明のための実践的なフレームワークを提供することにより、説明可能なAI(XAI)の分野に寄与する。
  論文  参考訳（メタデータ） (2025-08-31T13:31:34Z)
• How to safely discard features based on aggregate SHAP values [12.610250597173437]
  近年、SHAPはグローバルな洞察に利用されてきている。 小さい集合SHAP値が必ずしも対応する特徴が機能に影響を与えないことを示すかどうかを問う。 SHAP値が小さいことは,対応する機能を安全に破棄できることを示唆している。
  論文  参考訳（メタデータ） (2025-03-29T15:07:30Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Context-aware feature attribution through argumentation [0.0]
  我々はCA-FATA (Context-Aware Feature Attribution Through Argumentation) と呼ばれる新しい特徴属性フレームワークを定義する。 我々のフレームワークは、各特徴を、予測を支援したり、攻撃したり、中和したりできる議論として扱うことによって、議論の力を利用する。
  論文  参考訳（メタデータ） (2023-10-24T20:02:02Z)
• FedFed: Feature Distillation against Data Heterogeneity in Federated Learning [88.36513907827552]
  フェデレートラーニング(FL)は通常、データ不均一性、すなわちクライアント間の分散シフトに直面している。 我々はtextbfFederated textbfFeature textbfdistillation (FedFedFed) という新しいアプローチを提案する。 FedFedは、データをパフォーマンスに敏感な機能(すなわち、モデルパフォーマンスに多大な貢献)とパフォーマンスを損なう機能(つまり、モデルパフォーマンスに限られた貢献)に分割する。 総合的な実験は、モデル性能の促進におけるFedFedの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-08T09:00:59Z)
• Counterfactual Shapley Additive Explanations [6.916452769334367]
  本稿では,逆ファクト生成技術を用いて背景データセットを生成するSHAPの変種であるCoSHAPを提案する。 我々は、特徴属性にShapley値を使用する場合、背景データセットを慎重に考慮するためのアクション可能なリコース設定の必要性を動機付けている。
  論文  参考訳（メタデータ） (2021-10-27T08:44:53Z)
• Discrete Action On-Policy Learning with Action-Value Critic [72.20609919995086]
  離散的な行動空間における強化学習(RL)は、実世界の応用では至るところで行われているが、その複雑さは行動空間次元とともに指数関数的に増大する。 我々は,行動値関数を推定し,相関行動に適用し,これらの評価値を組み合わせて勾配推定の分散を制御する。 これらの取り組みにより、分散制御技術に頼って、関連するRLアルゴリズムを実証的に上回る、新たな離散的なRLアルゴリズムが実現される。
  論文  参考訳（メタデータ） (2020-02-10T04:23:09Z)
• Supervised Hyperalignment for multi-subject fMRI data alignment [81.8694682249097]
  本稿では,MVP解析における機能的アライメントを改善するために,SHA(Supervised Hyperalignment)手法を提案する。 マルチオブジェクトデータセットの実験では、SHA法は最大19%の性能がマルチクラス問題に対して達成されている。
  論文  参考訳（メタデータ） (2020-01-09T09:17:49Z)

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。