論文の概要: The Representational Limit of Scalar Interactions: An Interventional Decomposition

• arxiv url: http://arxiv.org/abs/2606.19410v1
• Date: Wed, 17 Jun 2026 15:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.451679
• Title: The Representational Limit of Scalar Interactions: An Interventional Decomposition
• Title（参考訳）: スカラー相互作用の表現限界--インターベンショナル分解
• Authors: Potito Aghilar, Sabino Roccotelli, Stanislao Fidanza, Vito Walter Anelli, Sebastiano Stramaglia, Tommaso Di Noia,
• Abstract要約: 署名されたペア相互作用スコアが、一意性(U)、冗長性(R)、シナジー(S)を根本的に説明することを証明する。 介入マスクによる推定により,機能当たりのU/R/Sプロファイルを推定する,ポストホックかつリトレーニング不要な予測可能性分解であるHi-Fiを導入する。
• 参考スコア（独自算出の注目度）: 9.850981754860754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Signed pairwise interaction scores fundamentally conflate uniqueness (U), redundancy (R), and synergy (S). We prove this on a minimal 3-way XOR structural causal model: faithful indices such as Shapley-Taylor return zero per pair, whereas projective indices such as Shapley Interaction spread the third-order effect into pair scalars that conflate the three mechanisms. We introduce Stochastic Hi-Fi, a post-hoc, retraining-free predictability decomposition that estimates per-feature U/R/S profiles by interventional masked inference. The estimator provides exact interventional semantics, finite-sample Monte Carlo bounds, strict variance reduction from coupled diamond sampling, and uniform finite-vocabulary convergence. Across tabular SCMs, Stochastic Hi-Fi recovers structure missed by scalar baselines (up to 411x larger interaction-magnitude recovery ratios). It also separates redundant and synergistic heads in the GPT-2 IOI circuit. On NIH ChestX-ray14, Stochastic Hi-Fi matches GradCAM on Pointing Game and improves substantially on Deletion AUC.
• Abstract（参考訳）: 符号付きペア相互作用スコアは、一意性(U)、冗長性(R)、シナジー(S)を根本的に説明する。 我々はこれを最小3方向XOR構造因果モデルで証明する: シェープリー・テイラーのような忠実な指標はペアごとにゼロを返すが、シェープリー相互作用のような射影的指標は3次効果を3つのメカニズムを割ったペアスカラーに展開する。 干渉マスクによる推定により,U/R/Sプロファイル毎のプロファイルを推定する,ポストホックかつリトレーニング不要な予測可能性分解であるStochastic Hi-Fiを導入する。 推定子は、正確な介入意味論、有限サンプルモンテカルロ境界、結合ダイヤモンドサンプリングからの厳密な分散低減、および一様有限語彙収束を提供する。 表状のSCM全体にわたって、Stochastic Hi-Fiはスカラーベースライン(最大411倍の相互作用-マグニチュード回復比)で欠落した構造を回復する。 また、GPT-2 IOI回路で冗長でシナジスティックなヘッドを分離する。 NIH ChestX-ray14では、Stochastic Hi-Fi match GradCAM on Pointing Gameと一致し、Deletion AUCで大幅に改善された。

関連論文リスト

• Deep Slice Interpolation for Reducing Through-Plane Anisotropy and Noise in Head CT [0.0]
  本稿では,隣接する一対の軸スライスから中間CTスライスを合成する深層学習システムを提案する。 このシステムは、3次元の可視化を改善しながら、自然に識別された出力を同時に生成する。
  論文  参考訳（メタデータ） (2026-06-08T10:45:51Z)
• Fractals made Practical: Denoising Diffusion as Partitioned Iterated Function Systems [0.0]
  DDIMの逆チェーンがPIFS(Partitioned Iterated Function System)として動作することを示す。 PIFSは、拡散モデルスケジュール、アーキテクチャ、および訓練目標を記述するための統一設計言語として機能する。
  論文  参考訳（メタデータ） (2026-03-13T15:15:50Z)
• Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
  画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。 本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-02-26T16:58:43Z)
• An Odd Estimator for Shapley Values [19.262788739385012]
  Shapley値は、特徴の重要性、データバリュエーション、因果推論を含む、機械学習の帰属のためのフレームワークである。 我々は、Shapley値が集合関数の奇数成分にのみ依存していることを証明する。 奇数部分空間のみに回帰を行う一貫した推定器であるOddSHAPを提案する。
  論文  参考訳（メタデータ） (2026-02-01T19:07:16Z)
• Identifiable Convex-Concave Regression via Sub-gradient Regularised Least Squares [1.9580473532948397]
  複雑な入力関係を凸成分と凹成分の和としてモデル化する新しい非パラメトリック回帰法を提案する。 The method-ICCNLS-decomposes sub-constrained shape-constrained additive decomposition。
  論文  参考訳（メタデータ） (2025-06-22T15:53:12Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Temporal Difference Learning with Compressed Updates: Error-Feedback meets Reinforcement Learning [47.904127007515925]
  本稿では,従来の時間差学習アルゴリズムの変種について検討する。 我々は、圧縮されたTDアルゴリズムと、最適化に広く用いられているエラーフィードバック機構が組み合わさって、漸近的でない近似を保証することを証明した。 特に、これらは一般圧縮演算子と線形関数近似とマルコフサンプリングを併用したタンデムの誤差フィードバックを考慮に入れたRLにおける最初の有限時間結果である。
  論文  参考訳（メタデータ） (2023-01-03T04:09:38Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Recovering Joint Probability of Discrete Random Variables from Pairwise Marginals [22.77704627076251]
  確率変数(RV)の合同確率の学習は、統計信号処理と機械学習の基盤となる。 近年, 任意の数の RV の結合確率質量関数 (PMF) を3次元境界から復元する研究が提案されている。 正確に3次元の辺縁を推定することは、標本の複雑さの観点からもコストがかかる。 この研究は、ペアの辺りだけを用いて共同PMFを学習するための新しい枠組みを生み出した。
  論文  参考訳（メタデータ） (2020-06-30T15:43:44Z)

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。