論文の概要: OperatorSHAP: Fast and Accurate Shapley Value Estimation for Neural Operators

• arxiv url: http://arxiv.org/abs/2606.28065v1
• Date: Fri, 26 Jun 2026 13:13:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.492395
• Title: OperatorSHAP: Fast and Accurate Shapley Value Estimation for Neural Operators
• Title（参考訳）: OperatorSHAP:ニューラル演算子の高速かつ高精度なShapley値推定
• Abstract要約: OperatorSHAPは、ニューラルネットワークに対するグリッドに依存しない帰属法および訓練手順である。 関数空間における帰属の理論的枠組みを確立し、Aumann-Shapley値に接続する。 我々の説明は、解像度をまたいだ最先端の離散Shapley値と一致し、再トレーニングすることなくグリッドサイズをまたいで転送する。
• 参考スコア（独自算出の注目度）: 23.867333321019192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding model predictions is essential for physical applications, where outputs often inform safety-critical decisions, such as structural load assessment, weather warnings, and clinical diagnosis. Shapley values satisfy many desirable properties as an attribution method, but their computational cost during inference hinders their practical use. Current amortized explainers, such as FastSHAP, are limited to homogeneous inputs, which is problematic for physical applications where data often comes from irregular grids and geometries. We introduce OperatorSHAP, a grid-agnostic attribution method and training procedure that allows us to train FastSHAP-like explainers for neural operators. We establish a theoretical framework for attributions in function space, connecting to Aumann-Shapley values. We further show that OperatorSHAP's explanations are consistent with state-of-the-art discrete Shapley values across resolutions and transfer across grid sizes without retraining.
• Abstract（参考訳）: モデル予測を理解することは物理的応用において不可欠であり、アウトプットは構造的負荷評価、天気予報、臨床診断などの安全クリティカルな決定をしばしば通知する。 共有値は帰属法として多くの望ましい特性を満足するが、推論時の計算コストはそれらの実用性を妨げている。 FastSHAPのような現在の償却説明器は均質な入力に限られており、不規則なグリッドやジオメトリからデータを得る物理アプリケーションでは問題となる。 我々は,ニューラルネットワークのためのFastSHAPライクな説明器をトレーニングするための,グリッドに依存しない帰属法とトレーニング手順であるOperatorSHAPを紹介した。 関数空間における帰属の理論的枠組みを確立し、Aumann-Shapley値に接続する。 さらに、OperatorSHAPの説明は、リトレーニングなしで、解像度をまたいで、グリッドサイズをまたいで転送する、最先端の離散Shapley値と一致していることを示す。

関連論文リスト

• Randomized neural operator for parametric PDEs with fast training and conformal uncertainty quantification [47.720075875232226]
  我々は,PCAに基づく次元還元と固定ランダム特徴を組み合わせたニューラル演算子であるPCA-RaNNを紹介する。 演算子学習を固定回帰として再キャストし、遅延回帰を3桁まで削減する。
  論文  参考訳（メタデータ） (2026-06-28T15:02:26Z)
• Safe and Robust Domains of Attraction for Discrete-Time Systems: A Set-Based Characterization and Certifiable Neural Network Estimation [6.2834380315226825]
  頑健な不変集合 (RIS) を引き付ける非線形系の解析には、それらのアトラクション領域 (DOA) を推定する必要がある。 離散時間非線形不確実系に対する安全(状態制約付き)かつロバストなDOAの正確な推定のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T15:26:06Z)
• ShaTS: A Shapley-based Explainability Method for Time Series Artificial Intelligence Models applied to Anomaly Detection in Industrial Internet of Things [0.0]
  本研究は,時系列モデルにおけるシェープリー値説明の精度向上を目的とした,モデルに依存しない説明可能な人工知能手法であるShaTS(Shapley Value for Time Series Model)を提案する。 SWaTデータセットで実施された実験では、ShaTSが臨界時刻を正確に識別し、センサ、アクチュエータ、異常の影響を正確に特定し、説明可能性とリソース効率の両方の観点からSHAPを上回ります。
  論文  参考訳（メタデータ） (2025-06-02T09:07:27Z)
• DeltaPhi: Physical States Residual Learning for Neural Operators in Data-Limited PDE Solving [54.605760146540234]
  DeltaPhiは、PDE解決タスクを、直接入力出力マッピングの学習から、類似の物理的状態間の残差学習に変換する、新しい学習フレームワークである。 大規模な実験は、様々な物理的システムにまたがって一貫した、重要な改善を示す。
  論文  参考訳（メタデータ） (2024-06-14T07:45:07Z)
• Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
  冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。 既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。 実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
  論文  参考訳（メタデータ） (2023-11-02T06:09:24Z)
• Efficient Computation of Counterfactual Bounds [44.4263314637532]
  我々は,構造因果モデルのサブクラスにおけるクレダルネットのアルゴリズムを用いて,正確な反ファクト境界を計算する。 近似の精度を信頼性のある間隔で評価する。
  論文  参考訳（メタデータ） (2023-07-17T07:59:47Z)
• Accelerating Shapley Explanation via Contributive Cooperator Selection [42.11059072201565]
  DNNモデルのShapley説明を著しく高速化する新しい手法SHEARを提案する。 特徴連立の選定は、本提案のシェープリー連鎖則に従い、真真正値から絶対誤差を最小化する。 SHEARは、さまざまな評価指標で、最先端のベースラインメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2022-06-17T03:24:45Z)
• RKHS-SHAP: Shapley Values for Kernel Methods [17.52161019964009]
  本稿では,エフェクトインターベンショナル値とエフェクトオブザーショナルシェープ値の両方を効率的に計算できるカーネルマシンの属性法を提案する。 提案手法は局所的な摂動に対して頑健であることを示す。
  論文  参考訳（メタデータ） (2021-10-18T10:35:36Z)
• Fast Hierarchical Games for Image Explanations [78.16853337149871]
  本稿では,シェープリー係数の階層的拡張に基づく画像分類のモデル非依存な説明法を提案する。 他のShapleyベースの説明手法とは異なり、h-Shapはスケーラブルで近似を必要とせずに計算できる。 本手法は,合成データセット,医用画像シナリオ,一般コンピュータビジョン問題において,一般的なシャプリーベースおよび非サプリーベース手法と比較した。
  論文  参考訳（メタデータ） (2021-04-13T13:11:02Z)
• FAR: A General Framework for Attributional Robustness [42.49606659285249]
  我々は、ロバストな属性を持つモデルの帰属的ロバストネス(FAR)のための新しいフレームワークを定義する。 FARは,既存のトレーニング手法の一般化,制約の少ない定式化であることを示す。 次に、このフレームワークの2つの新しいインスタンス化であるAATとAdvAATを提案し、ロバストな属性と予測の両方を直接最適化する。
  論文  参考訳（メタデータ） (2020-10-14T20:33:00Z)

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。