論文の概要: RECAST: Model Reconstruction via Counterfactual-Aware Wasserstein Geometry under Limited Data

• arxiv url: http://arxiv.org/abs/2606.27948v1
• Date: Fri, 26 Jun 2026 10:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.46912
• Title: RECAST: Model Reconstruction via Counterfactual-Aware Wasserstein Geometry under Limited Data
• Title（参考訳）: RECAST: 限定データに基づく対実認識ワッサースタイン幾何によるモデル再構成
• Abstract要約: 対実的説明(CF)は、代替モデルの結果につながる最小限の入力変更を特定することによって、機械学習モデルを理解するのに役立つ。 最近の研究は、ブラックボックスモデルの再構築に有用であることを示し、公正性と説明責任のための不透明な意思決定システムの第三者監査を可能にする。 本稿では,Reconstruction via Counterfactual-Aware waSserstein opTimization (RECAST) under limited data and limited access。
• 参考スコア（独自算出の注目度）: 7.758095840282182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual explanations (CFs) help understand machine learning models by identifying minimal input changes that would lead to alternative model outcomes. Recent work demonstrates their utility for reconstructing black-box models, enabling third-party auditing of opaque decision systems for fairness and accountability. Still, CF-based reconstruction may suffer from decision boundary shifts, overfitting, and restrictive assumptions requiring online query access to target platforms. We propose REconstruction via Counterfactual-Aware waSserstein opTimization (RECAST) under limited data and restricted access, a behavioral surrogate model based on Wasserstein barycentric prototypes. Our approach addresses decision boundary shifts by incorporating CFs as informative, though less representative, samples for both classes, maintaining high surrogate fidelity in low-sample regimes without requiring online access during reconstruction. To enhance fairness auditing, our method enables systematic group fairness diagnostics. Experiments on real-world datasets and various setups show that RECAST effectively achieves high fidelity and query efficiency, as well as stable results even when the access is limited and noisy.
• Abstract（参考訳）: 対実的説明(CF)は、代替モデルの結果につながる最小限の入力変更を特定することによって、機械学習モデルを理解するのに役立つ。 最近の研究は、ブラックボックスモデルの再構築に有用であることを示し、公正性と説明責任のための不透明な意思決定システムの第三者監査を可能にする。 それでも、CFベースの再構築は、決定境界の変更、過度な適合、およびターゲットプラットフォームへのオンラインクエリアクセスを必要とする制限的な仮定に悩まされる可能性がある。 本稿では,Wassersteinのバリ中心型プロトタイプに基づく行動代理モデルであるRECAST(Reconstruction via Counterfactual-Aware waSserstein opTimization)を提案する。 提案手法は, CFを情報的, 代表的, より少ないサンプルとして組み込むことによって決定境界のずれに対処し, 再構築時にオンラインアクセスを必要とせず, 低サンプリング体制における高サロゲート忠実度を維持する。 フェアネス監査を強化するため,本手法は系統的なグループフェアネス診断を可能にする。 実世界のデータセットと各種セットアップの実験により、RECASTはアクセスが制限されうる場合でも、高い忠実度とクエリ効率を効果的に達成し、安定した結果が得られることが示された。

関連論文リスト

• On Predicting the Post-training Potential of Pre-trained LLMs [60.07459271263409]
  本稿では,ポストトレーニング前のベースモデルの性能予測という,ポストトレーニング後の潜在能力を予測するための新しいタスクを紹介する。 本稿では,応答判別を活用することで,ベースモデルの生成ギャップを回避できる統一フレームワークであるRuDEを提案する。 実験では、トレーニング後のパフォーマンスと90%以上の相関を示す。
  論文  参考訳（メタデータ） (2026-05-12T11:33:49Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• A Systematic Approach for Large Language Models Debugging [9.144050771609637]
  大規模言語モデル(LLM)は、オープンエンドテキスト生成から複雑なエージェントベースの推論に至るまで、現代のAIの中心となっている。 本稿では,モデルを可観測系として扱うLLMデバッグの体系的アプローチを提案する。 本手法は,評価,解釈可能性,誤り分析を統一することにより,モデルの弱点を反復的に診断することを可能にする。
  論文  参考訳（メタデータ） (2026-04-24T21:30:33Z)
• SoliReward: Mitigating Susceptibility to Reward Hacking and Annotation Noise in Video Generation Reward Models [53.19726629537694]
  ビデオ生成モデルと人間の好みのトレーニング後のアライメントは、重要な目標である。 現在のデータ収集パラダイムは、プロンプト内のペアワイズアノテーションに依存しており、ノイズのラベル付けに悩まされている。 ビデオRMトレーニングのための体系的フレームワークであるSoliRewardを提案する。
  論文  参考訳（メタデータ） (2025-12-17T14:28:23Z)
• Classifier Reconstruction Through Counterfactual-Aware Wasserstein Prototypes [7.568155070224663]
  モデル再構成は,両クラスに代表されるサンプルが少なくても,偽物が情報として機能することを認識することで,大幅に改善できることを実証する。 本稿では, ワッサーシュタイン・バリセンタを用いて, 原データと対実データを統合する手法を提案する。
  論文  参考訳（メタデータ） (2025-12-11T18:06:49Z)
• Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot [44.336297829718795]
  CATE-Bは,大規模言語モデル(LLM)をエージェントフレームワーク内で使用して,治療効果推定を通じてユーザを誘導する,オープンソースのコパイロットシステムである。 CATE-B は (i) 因果発見と LLM に基づくエッジオリエンテーションによる構造因果モデルの構築、 (ii) 因果構造とデータセット特性に適合した適切な回帰方法を選択することによるロバストな調整セットの同定を支援する。
  論文  参考訳（メタデータ） (2025-08-14T12:20:51Z)
• REX: Rapid Exploration and eXploitation for AI Agents [103.68453326880456]
  本稿では、REXと呼ばれるAIエージェントのための高速探索およびeXploitationのための改良されたアプローチを提案する。 REXは追加の報酬層を導入し、アッパー信頼境界(UCB)スコアに似た概念を統合し、より堅牢で効率的なAIエージェントのパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-07-18T04:26:33Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• CARE: Coherent Actionable Recourse based on Sound Counterfactual Explanations [0.0]
  本稿では,モデルおよびユーザレベルのデシダータに対処するモジュール型説明フレームワークであるCAREを紹介する。 モデルに依存しないアプローチとして、CAREはブラックボックスモデルに対して複数の多様な説明を生成する。
  論文  参考訳（メタデータ） (2021-08-18T15:26:59Z)
• A new interpretable unsupervised anomaly detection method based on residual explanation [47.187609203210705]
  本稿では,大規模システムにおけるAEベースのADの制限に対処する新しい解釈可能性手法であるRXPを提案する。 実装の単純さ、計算コストの低さ、決定論的振る舞いが特徴である。 実鉄道路線のデータを用いた実験において,提案手法はSHAPよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-14T15:35:45Z)

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。