論文の概要: Adaptive Group-Based Counterfactual Explanations for Time-Series Rehabilitation Data

• arxiv url: http://arxiv.org/abs/2607.01838v1
• Date: Thu, 02 Jul 2026 08:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.737152
• Title: Adaptive Group-Based Counterfactual Explanations for Time-Series Rehabilitation Data
• Title（参考訳）: 時系列リハビリテーションデータに対する適応型グループベース対実的説明法
• Abstract要約: 我々は、高次元IMUデータにおけるグループベースの反ファクト生成のための2段階のフレームワークを提案する。 まず,Shapley-Adaptive perturbation (SA) 群では,有効性は保たれるが,グループレベルの間隔を強制することができないことを示す。 次に、マスクを併用したトレーニング可能なグループごとの関連ゲートを組み込んだLearningable Gate(LG)手法を提案する。
• 参考スコア（独自算出の注目度）: 17.023825093545582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual explanations (CEs) for multivariate time-series classifiers are often difficult to interpret in domains where experts reason in terms of semantic feature groups rather than individual channels. In rehabilitation movement analysis with multi-sensor inertial measurement units (IMUs), clinicians interpret motion through muscle-group and joint-segment abstractions; yet, most existing counterfactual methods operate at the channel level, producing scattered and biomechanically incoherent explanations. We propose a two-stage framework for group-based counterfactual generation in high-dimensional IMU data. We first show that Shapley-Adaptive (SA) group ranking preserves counterfactual validity but fails to enforce group-level sparsity, motivating the need for explicit group selection. We then introduce Learnable Gate (LG) methods, which incorporate trainable per-group relevance gates jointly optimized with perturbation masks. Experiments on the KneE-PAD rehabilitation dataset demonstrate that LG substantially improves modality-group sparsity compared to the channel-level M-CELS baseline while maintaining or improving validity, temporal smoothness, and generation efficiency. Exercise-specific analyses further show that group-structured counterfactuals yield concise, muscle-level corrective guidance aligned with clinical reasoning. Overall, the proposed framework enhances interpretability without sacrificing counterfactual quality, enabling more actionable explanations for rehabilitation movement analysis.
• Abstract（参考訳）: 多変量時系列分類器の対実的説明(CE)は、専門家が個々のチャンネルではなく意味的特徴群を推論する領域で解釈することがしばしば困難である。 IMU(Multi-Sensor Inertial Measurement Unit)を用いたリハビリテーション運動解析では,筋群と関節節の抽象化を通して,臨床医が運動を解釈する。 我々は、高次元IMUデータにおけるグループベースの反ファクト生成のための2段階のフレームワークを提案する。 まず,Shapley-Adaptive (SA) グループランキングは,非現実的妥当性を保ちつつも,グループレベルの分散を強制せず,明示的なグループ選択の必要性を動機付けていることを示す。 次に、摂動マスクを併用したトレーニング可能なグループ間関連ゲートを組み込んだLearningable Gate(LG)手法を提案する。 KneE-PADリハビリテーションデータセットの実験では、LGはチャネルレベルのM-CELSベースラインと比較して、妥当性、時間的滑らか性、生成効率を維持または改善しながら、モダリティグループ間隔を大幅に改善することを示した。 運動特異的な分析により, 群構造的反事実は, 臨床推論と整合した, 簡潔で, 筋肉レベルの矯正指導を与えることが明らかとなった。 全体として、提案フレームワークは、対物的品質を犠牲にすることなく、解釈可能性を高め、リハビリテーション運動分析のためのより実用的な説明を可能にする。

関連論文リスト

• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• Simulating Organized Group Behavior: New Framework, Benchmark, and Analysis [49.796228341744076]
  実践的な観点から,集団を集合体としてモデル化するタスクを提案する。 実世界8,052のコンテキスト-決定ペアを持つ44のエンティティを対象とするベンチマークであるGROVEを提案する。 また,包括的意思決定イベントを解釈可能,適応的,トレース可能な行動モデルに変換する構造解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T20:04:33Z)
• STaR-DRO: Stateful Tsallis Reweighting for Group-Robust Structured Prediction [0.20165644958637055]
  制御可能な推論と堅牢な微調整のための2部フレームワークを提案する。 まず、フォーマットのドリフト、ラベルの曖昧さ、エビデンス幻覚、メタデータ条件の混乱に対処するためのタスクに依存しないプロンプト戦略を導入する。 第2に,グループ不均一性のステートフルなロバスト最適化手法STaR-DROを導入する。
  論文  参考訳（メタデータ） (2026-04-09T21:58:42Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• GEM-TFL: Bridging Weak and Full Supervision for Forgery Localization through EM-Guided Decomposition and Temporal Refinement [24.929199892659636]
  Temporal Forgery Localizationは、ビデオやオーディオストリーム内で操作されたセグメントを正確に識別することを目的としており、マルチメディアの法医学とセキュリティの解釈可能な証拠を提供する。 しかし、Wakly Supervised TFL (WS-TFL) は、バイナリビデオレベルラベルからのみ学習することでラベリングコストを削減する。 GEM-TFLは,学習と推論の監督のギャップを効果的に埋める2段階の分類回帰フレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T12:07:26Z)
• A Generalized Adaptive Joint Learning Framework for High-Dimensional Time-Varying Models [0.8594140167290097]
  本稿では,機能的変数選択と構造的変化点検出を同時に行うための正規化フレームワークであるAdaptive Joint Learning (AJL)を紹介する。 この分析は、疾患進行の同期相転移を明らかにし、時間変化の予測マーカーの相同的なセットを同定する。
  論文  参考訳（メタデータ） (2026-01-08T02:07:49Z)
• An MLI-Guided Framework for Subgroup-Aware Modeling in Electronic Health Records (AdaptHetero) [0.18416014644193068]
  AdaptHeteroは、解釈可能性の洞察を実行可能なガイダンスに変換する、新しいMLI駆動のフレームワークである。 AdaptHeteroは、ICU死亡率、院内死亡率、隠された低酸素症を予測するための不均一なモデル挙動を一貫して明らかにしている。
  論文  参考訳（メタデータ） (2025-07-28T04:37:03Z)
• DisCO: Reinforcing Large Reasoning Models with Discriminative Constrained Optimization [50.91849555841057]
  グループ相対政策最適化は大規模推論モデル(LRM)の強化学習手法である 差別学習の原則を基礎として, LRMの強化のための新たな差別的制約付き最適化フレームワークを導入する。 DisCO は GRPO と DAPO などの改良型を著しく上回り、GRPO の7%、DAPO の6% を平均的に上回っている。
  論文  参考訳（メタデータ） (2025-05-18T11:08:32Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Cluster Regularization via a Hierarchical Feature Regression [0.0]
  本稿では,階層的特徴回帰(HFR)という新しいクラスタベース正規化を提案する。 機械学習とグラフ理論の領域からの洞察を動員し、予測セットの教師付き階層表現に沿ってパラメータを推定する。 経済成長予測への応用は、実証的な環境でのHFRの有効性を示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-10T13:03:01Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)

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。