論文の概要: IMEX Interaction-Based Model Explanation

• arxiv url: http://arxiv.org/abs/2607.14096v1
• Date: Thu, 16 Apr 2026 16:35:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.004437
• Title: IMEX Interaction-Based Model Explanation
• Title（参考訳）: IMEXインタラクションに基づくモデル記述
• Abstract要約: IMEX(Interaction-Based Model Explanation)アプローチは、説明可能な予測モデルにおける方法論的な方向性を表す。 IMEXは、どの変数がターゲット予測に最も寄与するか、どの変数間の相互作用がターゲットを決定する上で重要であるかを識別するように設計されている。 このフレームワークは、個々の特徴の寄与を定量化する静的相関パワー(PCS)と、特徴間の非付加的な効果をキャプチャする相互作用相関パワー(PCI)という2つの相補的な指標に基づいて構築されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In predictive modeling, the ability to explain why a model produces a given target prediction has become increasingly important [5, 10]. Black-box models do not provide a transparent description of the internal mechanisms that generate the prediction, making even accurate predictions difficult to interpret and validate. In critical contexts, predictive accuracy alone is not a sufficient validation metric if the reasons underlying model decisions remain unexplained. The IMEX (Interaction-Based Model Explanation) approach represents a methodological direction within explainable predictive modeling. IMEX is designed to identify which variables contribute most to the target prediction and which interactions among variables are significant in determining the target. The method does not impose limitations on higher-order interaction analysis, allowing the investigation of feature subsets with cardinality greater than two. Beyond the identification of feature importance, IMEX enables the exploration of interaction patterns that may be consistent with latent mechanisms influencing the outcome. Through the application of the IMEX algorithm, it is possible to construct an interpretability map of the predictions. The IMEX framework is built on two complementary metrics: Static Correlation Power (PCS), which quantifies the contribution of individual features, and Interaction Correlation Power (PCI), which captures non-additive effects among features. In the present work, the PCS component is experimentally validated through a comparison with INVASE [18] on three synthetic datasets with known structures. The results indicate that IMEX can recover relevant feature-level structures in the presence of non-linear, conditional, and multicollinear relationships between input features and prediction targets.
• Abstract（参考訳）: 予測モデルでは、モデルが与えられた目標予測を生成する理由を説明する能力がますます重要になっている [5, 10]。 ブラックボックスモデルは、予測を生成する内部メカニズムの透過的な記述を提供しておらず、正確な予測でさえ解釈や検証が困難である。 批判的な文脈では、モデル決定の根底にある理由がまだ説明されていない場合、予測精度だけでは十分な検証基準ではない。 IMEX(Interaction-Based Model Explanation)アプローチは、説明可能な予測モデルにおける方法論的な方向を表す。 IMEXは、どの変数がターゲット予測に最も寄与するか、どの変数間の相互作用がターゲットを決定する上で重要であるかを識別するように設計されている。 この手法は高次相互作用解析に制限を課しておらず、2以上の基数を持つ特徴部分集合の探索を可能にする。 機能の重要性の識別以外にも、IMEXは、結果に影響を与える潜在メカニズムと整合性のある相互作用パターンの探索を可能にする。 IMEXアルゴリズムの適用により、予測の解釈可能性マップを構築することができる。 IMEXフレームワークは、個々の特徴の寄与を定量化する静的相関パワー(PCS)と、特徴間の非付加的な効果をキャプチャする相互作用相関パワー(PCI)という2つの相補的な指標に基づいて構築されている。 本研究は, 既知構造を持つ3つの合成データセットにおけるINVASE [18]との比較により, PCS成分を実験的に検証した。 その結果, IMEXは入力特徴と予測対象との間の非線形, 条件, マルチコリニア関係の存在下で, 関連する特徴レベルの構造を復元できることが示唆された。

関連論文リスト

• On the Structural Limits of Machine Learning Decision Systems: An Information-Theoretic, Interaction-Based, and Stochastic-Dynamical Perspective [0.0]
  本研究では、情報理論と相互作用に基づく視点から、データ駆動型意思決定システムの本質的な限界について検討する。 ファノ型境界による分類における最小到達誤差とクラメロ・ラオ不等式によるパラメトリック推定における精度限界を解析した。
  論文  参考訳（メタデータ） (2026-08-13T17:34:41Z)
• DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms [48.57846236686172]
  因果発見を記憶する新しい基礎モデルアーキテクチャである textbfDAG-FM を提案する。 直接行列予測とは異なり、DAG-FMは因果発見プロセスを2つの自己回帰段階に分解する。 我々は,DAG-FMが,合成ベンチマークと複雑な実世界のデータセットの両方で最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-07-13T13:00:06Z)
• Activation Functions, Statistics and Learning of Higher-Order Interactions in Restricted Boltzmann Machines [0.0]
  隠れ単位活性化関数の異なる制限ボルツマンマシンによって誘導される相互作用の統計について検討する。 我々は、誘導された相互作用の分布のモーメントの観点から、表現可能なモデルの空間を解析的に特徴づける。 指数関数のような急速に増加する非線形性は、そのようなデータ構造の表現と学習を容易にする。
  論文  参考訳（メタデータ） (2026-05-18T23:04:24Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Uncertainty-Aware Sparse Identification of Dynamical Systems via Bayesian Model Averaging [3.8406608036585035]
  我々は,コンポーネントを結合した動的システムのためのスパース識別フレームワークを開発した。 このフレームワークは,不確実性を定量化してスパース相互作用構造を正確に復元することを示す。 これらの結果は、動的モデルのデータ駆動的な発見におけるベイズの不確実性定量化の重要性を強調している。
  論文  参考訳（メタデータ） (2026-04-12T23:19:23Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Explaining Machine Learning Predictive Models through Conditional Expectation Methods [0.0]
  MUCEは、特徴的相互作用から予測変化を捉えるために設計された局所的説明可能性のモデルに依存しない手法である。 安定性と不確実性の2つの定量的指標は、局所的な振る舞いを要約し、モデルの信頼性を評価する。 その結果、MUCEは複雑な局所モデル挙動を効果的に捉え、安定性と不確実性指標は予測信頼性に有意義な洞察を与えることが示された。
  論文  参考訳（メタデータ） (2026-01-12T08:34:36Z)
• Information-theoretic Quantification of High-order Feature Effects in Classification Problems [0.19791587637442676]
  特徴重要度(Hi-Fi)法における高次相互作用の情報理論拡張について述べる。 私たちのフレームワークは、機能のコントリビューションをユニークでシナジスティックで冗長なコンポーネントに分解します。 その結果,提案した推定器は理論的および予測された結果を正確に復元することがわかった。
  論文  参考訳（メタデータ） (2025-07-06T11:50:30Z)
• Internal Causal Mechanisms Robustly Predict Language Model Out-of-Distribution Behaviors [61.92704516732144]
  正当性予測の最も堅牢な特徴は、モデルの振舞いに特徴的な因果的役割を果たすものであることを示す。 モデル出力の正しさを予測するために因果メカニズムを利用する2つの手法を提案する。
  論文  参考訳（メタデータ） (2025-05-17T00:31:39Z)
• A Novel Energy based Model Mechanism for Multi-modal Aspect-Based Sentiment Analysis [85.77557381023617]
  マルチモーダル感情分析のための新しいフレームワークDQPSAを提案する。 PDQモジュールは、プロンプトをビジュアルクエリと言語クエリの両方として使用し、プロンプト対応の視覚情報を抽出する。 EPEモジュールはエネルギーベースモデルの観点から解析対象の境界ペアリングをモデル化する。
  論文  参考訳（メタデータ） (2023-12-13T12:00:46Z)
• A Mechanistic Interpretation of Arithmetic Reasoning in Language Models using Causal Mediation Analysis [128.0532113800092]
  算数問題に対するトランスフォーマーに基づくLMの機械的解釈を提案する。 これにより、算術に関連する情報がLMによってどのように処理されるかについての洞察が得られる。
  論文  参考訳（メタデータ） (2023-05-24T11:43:47Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Functional Mixtures-of-Experts [0.24578723416255746]
  観測対象が関数を含む状況下での予測のための異種データの統計的解析について検討する。 まず,機能的ME(FME)と呼ばれる新しいMEモデルのファミリーを提示する。 我々は,モデルに適合する最大パラメータ推定戦略を定式化したLasso-like (EM-Lasso) の専用予測-最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-02-04T17:32:28Z)

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。