論文の概要: Towards Dys-XAI: Influence-Based Explanations for Dysarthria Severity Assessment

• arxiv url: http://arxiv.org/abs/2606.21306v1
• Date: Fri, 19 Jun 2026 10:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:31:53.20785
• Title: Towards Dys-XAI: Influence-Based Explanations for Dysarthria Severity Assessment
• Title（参考訳）: Dys-XAIに向けて:Dysarthria Severityアセスメントにおける影響に基づく説明
• Authors: Xiaoliang Wu, Qiyang Sun, Yupei Li, Erfan Loweimi, Jennifer Williams, Zhengjun Yue,
• Abstract要約: 難治性重度評価は治療計画と縦断的モニタリングに不可欠であるが,手動による知覚評価は臨床医の時間的・変動性が高い。 本稿では,支援的および競合的なトレーニングサンプルを通じて各決定を説明する,インフルエンスベースの,インスタンスレベルの説明可能性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）: 15.648988438396614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dysarthria severity assessment is essential for therapy planning and longitudinal monitoring, yet manual perceptual rating is time-consuming and variable across clinicians. Although deep learning models achieve strong performance, their black-box nature limits clinical adoption. Existing speech explainability methods typically provide acoustic feature importance scores that are difficult for end-users to interpret. We propose an influence-based, instance-level explainability framework that explains each decision through supportive and competing training samples. Using gradient-based influence approximations, we compute per-utterance influence scores to identify supportive and competing training samples for each prediction. Controlled deletion experiments from 5 to 20 percent validate the explanations, showing that removing highly influential samples systematically shifts predictions. This approach provides auditable explanations by linking decisions to perceptible reference cases.
• Abstract（参考訳）: 難治性重度評価は治療計画と縦断的モニタリングに不可欠であるが,手動による知覚評価は臨床医にまたがる時間的・変動的評価である。 ディープラーニングモデルは高いパフォーマンスを達成するが、ブラックボックスの性質は臨床応用を制限する。 既存の音声説明可能性法は、エンドユーザーにとって解釈が難しい音響的特徴重要度スコアを提供するのが一般的である。 本稿では,支援的および競合的なトレーニングサンプルを通じて各決定を説明する,インフルエンスベースの,インスタンスレベルの説明可能性フレームワークを提案する。 勾配に基づく影響近似を用いて、発話ごとの影響スコアを計算し、各予測に対する支援的および競合的なトレーニングサンプルを同定する。 制御された削除実験の5～20%は、非常に影響力のあるサンプルを除去することで、予測が体系的に変化することを示す。 このアプローチは、決定を認識可能な参照ケースにリンクすることで、監査可能な説明を提供する。

関連論文リスト

• The Illusion of Intervention: Your LLM-Simulated Experiment is an Observational Study [56.649987197786096]
  大規模言語モデル(LLM)は人間の行動のシミュレータとしての可能性を示している。 LLMは潜在ユーザ属性の意図しないシフトを誘発し、ユーザのドリフトを引き起こす。 ユーザのドリフトによって生じる不確実性や選択バイアスを形式化する。
  論文  参考訳（メタデータ） (2026-05-20T06:09:41Z)
• Explanation-Aware Learning for Enhanced Interpretability in Biomedical Imaging [0.0]
  ポストホックな説明法は、サリエンシマップの形でモデル決定を可視化するために広く用いられている。 本稿では,説明の喪失設計と監督力の違いが,説明の空間的忠実度と予測性能に与える影響について分析する。
  論文  参考訳（メタデータ） (2026-05-11T06:27:55Z)
• Bridging the Perceptual - Statistical Gap in Dysarthria Assessment: Why Machine Learning Still Falls Short [3.4181221698258066]
  発声障害の自動検出と重度評価は、その潜在的な臨床的影響により、大きな研究の注目を集めている。 音響モデリングとディープラーニングの急速な進歩にもかかわらず、モデルはまだ人間の専門家のパフォーマンスに欠けている。 この写本は、このギャップの背景にある理由を包括的に分析し、知覚統計的ギャップと呼ぶ概念的差異を強調している」。
  論文  参考訳（メタデータ） (2025-10-25T09:44:31Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。