論文の概要: PACE: A Neuro-Symbolic Framework for Plausible and Actionable Counterfactual Explanations

• arxiv url: http://arxiv.org/abs/2607.01306v1
• Date: Wed, 01 Jul 2026 16:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.53995
• Title: PACE: A Neuro-Symbolic Framework for Plausible and Actionable Counterfactual Explanations
• Title（参考訳）: PACE: 可塑性および作用可能な対物説明のためのニューロシンボリックフレームワーク
• Abstract要約: PACEは、ファシビリティを意識した対実的説明を生成するためのモジュラー・ニューロシンボリック・フレームワークである。 実行可能な介入を明示的にモデル化することで、このフレームワークはドメイン知識と整合した説明を生成する。 結果は、カウンターファクトの妥当性と妥当性のトレードオフを浮き彫りにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual explanations explain machine learning predictions by identifying minimal input changes that would alter a model's decision. Although many existing methods successfully generate prediction-changing alternatives, they often produce unrealistic or infeasible recommendations due to a lack of explicit mechanisms for incorporating domain knowledge and intervention constraints. Neuro-symbolic AI offers a promising direction by combining data-driven predictive models with symbolic reasoning capable of representing human-understandable rules and feasible actions. This paper presents PACE, a modular neuro-symbolic framework for generating feasibility-aware counterfactual explanations. The framework separates prediction and reasoning into two components: a neural predictive model for classification and a symbolic reasoning layer that enforces domain-specific constraints during counterfactual generation. By explicitly modeling feasible interventions, the framework produces explanations consistent with domain knowledge while remaining interpretable and actionable. The approach is model-agnostic and adaptable to domains requiring realistic decision support. A case study is conducted on the Adult Income dataset, combining a multilayer perceptron classifier with Answer Set Programming (ASP) rules encoding feasible modifications to education, occupation, and working hours while preserving immutable attributes. Results highlight the trade-off between counterfactual validity and plausibility and show that symbolic constraints yield explanations that better satisfy domain-specific feasibility requirements, illustrating the potential of neuro-symbolic methods for transparent, feasibility-aware counterfactual explanation in explainable AI.
• Abstract（参考訳）: カウンターファクトな説明は、モデルの決定を変える最小限の入力変更を特定することによって、機械学習の予測を説明する。 多くの既存手法は予測を変える代替案を生成することに成功したが、ドメインの知識と介入の制約を組み込むための明確なメカニズムが欠如しているため、非現実的または実現不可能なレコメンデーションをしばしば生み出す。 ニューロシンボリックAIは、データ駆動予測モデルと、人間の理解可能なルールと実行可能なアクションを表現可能なシンボリック推論を組み合わせることで、有望な方向を提供する。 本稿では、ファジビリティを意識した対実的説明を生成するためのモジュラー・ニューロシンボリック・フレームワークであるPACEについて述べる。 このフレームワークは、予測と推論を、分類のためのニューラルネットワーク予測モデルと、反ファクト生成中にドメイン固有の制約を強制するシンボリック推論レイヤの2つのコンポーネントに分ける。 実行可能な介入を明示的にモデル化することにより、フレームワークは解釈可能かつ実行可能なまま、ドメイン知識と整合した説明を生成する。 このアプローチはモデルに依存しず、現実的な決定支援を必要とする領域に適応できる。 多層パーセプトロン分類器とAnswer Set Programming(ASP)ルールを併用し、不変属性を保ちながら、教育、職業、労働時間に適応可能な修正を施したケーススタディを行った。 結果は、反ファクト的妥当性と妥当性のトレードオフを強調し、シンボリック制約がドメイン固有の実現可能性要件をより適切に満たす説明をもたらすことを示し、説明可能なAIにおいて、透過的で実現可能性に敏感な反ファクト的説明のためのニューロシンボリックな方法の可能性を示す。

関連論文リスト

• Generative Interpretability via Scalable Neuro-Symbolic Models [2.1550607598300617]
  我々は、生成的解釈可能性へのシフトを主張する。 本稿では、他の解釈可能性研究パラダイムと比較して、生成的解釈可能性の利点を示す。
  論文  参考訳（メタデータ） (2026-09-11T20:54:08Z)
• Generating Intervention Hypotheses using Explainable Explanations on Graphs: G2I, a Two-Stage Greedy Framework [9.74230427221556]
  公衆衛生と社会科学における現実的な意思決定は、予測モデルから恩恵を受けることができる。 予測を効果的な介入に変換するには、モデルの振る舞いを説明する必要があります。 既存の説明手法は、動作可能なネットワークレベルの介入設計をサポートできない。
  論文  参考訳（メタデータ） (2026-08-24T21:23:39Z)
• Exploring Energy Landscapes for Minimal Counterfactual Explanations: Applications in Cybersecurity and Beyond [3.6963146054309597]
  説明可能な人工知能(XAI)において、対物的説明が顕著な方法として浮上している。 本稿では、摂動理論と統計力学を統合し、最小限の反実的説明を生成する新しい枠組みを提案する。 提案手法は,妥当性を維持しつつモデルの予測を変更するために必要な最小限の修正を系統的に同定する。
  論文  参考訳（メタデータ） (2025-03-23T19:48:37Z)
• Meta-Representational Predictive Coding: Biomimetic Self-Supervised Learning [51.22185316175418]
  メタ表現予測符号化(MPC)と呼ばれる新しい予測符号化方式を提案する。 MPCは、並列ストリームにまたがる感覚入力の表現を予測することを学ぶことによって、感覚入力の生成モデルを学ぶ必要性を助長する。
  論文  参考訳（メタデータ） (2025-03-22T22:13:14Z)
• I Predict Therefore I Am: Is Next Token Prediction Enough to Learn Human-Interpretable Concepts from Data? [76.15163242945813]
  大規模言語モデル (LLM) は、多くの人が知能の形式を示すと結論づけている。 本稿では,潜在離散変数として表現される人間解釈可能な概念に基づいてトークンを生成する新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-12T01:21:17Z)
• Neuro-Symbolic AI: Explainability, Challenges, and Future Trends [26.656105779121308]
  本稿では,2013年度の191研究におけるモデル設計と行動の両面を考慮した説明可能性の分類を提案する。 我々は,表現の相違をブリッジする形態が可読かどうかを考慮し,これらを5つのカテゴリに分類する。 我々は、統一表現、モデル説明可能性の向上、倫理的考察、社会的影響の3つの側面で将来の研究を提案する。
  論文  参考訳（メタデータ） (2024-11-07T02:54:35Z)
• Interpretable Concept-Based Memory Reasoning [12.562474638728194]
  コンセプトベースのメモリリゾナー(CMR)は、人間に理解でき、検証可能なタスク予測プロセスを提供するために設計された新しいCBMである。 CMRは、最先端のCBMに対する精度-解釈可能性のトレードオフを向上し、基礎的な真実と整合した論理規則を発見し、規則の介入を可能にし、事前デプロイ検証を可能にする。
  論文  参考訳（メタデータ） (2024-07-22T10:32:48Z)
• LaPLACE: Probabilistic Local Model-Agnostic Causal Explanations [1.0370398945228227]
  本稿では,機械学習モデルに対する確率論的原因・効果説明を提供するLaPLACE-Explainerを紹介する。 LaPLACE-Explainerコンポーネントはマルコフ毛布の概念を利用して、関連する特徴と非関連する特徴の間の統計的境界を確立する。 提案手法は,LIME と SHAP の局所的精度と特徴の整合性の観点から,因果的説明と性能を向上する。
  論文  参考訳（メタデータ） (2023-10-01T04:09:59Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• The future of human-centric eXplainable Artificial Intelligence (XAI) is not post-hoc explanations [3.7673721058583123]
  本稿では、ポストホックな説明可能性から解釈可能なニューラルネットワークアーキテクチャの設計へのシフトを提案する。 我々は、人間中心型XAIの5つのニーズを特定し、ニューラルネットワークの解釈と設計のための2つのスキームを提案する。
  論文  参考訳（メタデータ） (2023-07-01T15:24:47Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)

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。