論文の概要: ConceptCF: Concept-based Counterfactuals for the Explainability of Time Series

• arxiv url: http://arxiv.org/abs/2607.18748v1
• Date: Tue, 21 Jul 2026 06:12:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.323383
• Title: ConceptCF: Concept-based Counterfactuals for the Explainability of Time Series
• Title（参考訳）: ConceptCF: 時系列の説明可能性のための概念ベースのカウンターファクト
• Abstract要約: ConceptCFは、人間の解釈可能な概念をベースとした反ファクト生成の手法である。 医療や予測保守のような高度な領域では、人工知能モデルは効率と安全性を高めることができる。
• 参考スコア（独自算出の注目度）: 1.7616014313664448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes ConceptCF, a method for counterfactual generation that operates on human-interpretable concepts. In high-stakes domains such as healthcare and predictive maintenance, artificial intelligence models can increase efficiency and safety. Explainability is key to ensure these models rely on causal relationships rather than spurious correlations. Counterfactual explanations identify minimal modifications that would change a model's predictions. Existing methods for time series operate on individual points or subsequences without ensuring interpretability of the mutations. ConceptCF instead modifies meaningful concepts. As a result we can provide explanations in terms of these concepts, for example ``the model's prediction would be `Sit' instead of `Walk' if you increase the scale of the movement''. In this paper, the concepts are constructed through time series decomposition, resulting in concepts such as scale, and frequency bands. Counterfactuals are generated using a genetic algorithm that optimizes the concept mutations. Evaluation against five state-of-the-art approaches demonstrates that ConceptCF consistently achieves top-tier performance across validity, confidence, proximity, sparsity and plausibility metrics.
• Abstract（参考訳）: 本稿では,人間解釈可能な概念をベースとした反ファクト生成手法であるConceptCFを提案する。 医療や予測保守のような高度な領域では、人工知能モデルは効率と安全性を高めることができる。 説明可能性(Explainability)は、これらのモデルが素早い相関ではなく因果関係に依存することを保証するための鍵である。 カウンターファクトな説明は、モデルの予測を変える最小限の修正を識別する。 既存の時系列の方法は、突然変異の解釈可能性を確保することなく、個々の点やサブシーケンスで操作する。 代わりに、ConceptCFは意味のある概念を変更する。 結果として、これらの概念の観点から、例えば『モデル』の予測は『ムーブメントの規模を増やせば『ウォーク』の代わりに『シット』となる』といった説明をすることができる。 本稿では,時系列の分解によって概念を構築し,スケールや周波数帯域といった概念を導出する。 カウンターファクトは、概念突然変異を最適化する遺伝的アルゴリズムを用いて生成される。 最先端の5つのアプローチに対する評価は、ConceptCFが有効性、信頼性、近接性、疎性、可視性といった指標を越えて、一貫してトップレベルのパフォーマンスを実現していることを示している。

関連論文リスト

• MUtE: A Dual Framework for Concept Erasure and Counterfactual Interventions [0.0]
  表現から概念固有の情報を消去することは、バイアスを緩和したり、モデル決定を解釈するのに有用であることが証明されている。 我々は、決定論的、二重対実写像を自然に誘導する新しい消去関数のクラスを導出するために、概念消去の最適境界を再考する。
  論文  参考訳（メタデータ） (2026-09-10T08:47:11Z)
• Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。 CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T19:37:49Z)
• Temporal Concept Dynamics in Diffusion Models via Prompt-Conditioned Interventions [70.87254264798341]
  PCIは、拡散時間を通して概念力学を解析するためのトレーニング不要でモデルに依存しないフレームワークである。 拡散モデルにまたがる様々な時間的挙動を明らかにしており、同じ概念タイプであっても、軌道の特定の位相は特定の概念に好適である。
  論文  参考訳（メタデータ） (2025-12-09T11:05:08Z)
• 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)
• Exchangeable Sequence Models Quantify Uncertainty Over Latent Concepts [6.256239986541708]
  事前学習されたシーケンスモデルは、交換可能なデータポイントよりも確率論的推論が可能であることを示す。 シーケンスモデルは、典型的なベイズモデルとは異なる観測間の関係を学習する。 シーケンス予測損失が不確実性定量化の品質を制御することを示す。
  論文  参考訳（メタデータ） (2024-08-06T17:16:10Z)
• ClassDiffusion: More Aligned Personalization Tuning with Explicit Class Guidance [90.57708419344007]
  新しい概念を学ぶ際に, 概念空間を明示的に規制するために, ** 連続保存損失** を利用するテクニックである **ClassDiffusion** を提示する。 このアプローチは単純ではあるが、ターゲット概念の微調整過程における意味的ドリフトを効果的に防止する。
  論文  参考訳（メタデータ） (2024-05-27T17:50:10Z)
• Beyond Concept Bottleneck Models: How to Make Black Boxes Intervenable? [8.391254800873599]
  本稿では,設計によって解釈できない事前学習型ニューラルネットワークに対して,概念に基づく介入を行う手法を提案する。 我々は、インターベンタビリティの概念を概念に基づく介入の有効性の尺度として定式化し、この定義を微調整ブラックボックスに活用する。
  論文  参考訳（メタデータ） (2024-01-24T16:02:14Z)
• An Axiomatic Approach to Model-Agnostic Concept Explanations [67.84000759813435]
  本稿では、線形性、再帰性、類似性という3つの自然な公理を満たす概念的説明へのアプローチを提案する。 次に、従来の概念的説明手法とのつながりを確立し、それらの意味の異なる意味についての洞察を提供する。
  論文  参考訳（メタデータ） (2024-01-12T20:53:35Z)
• Do Concept Bottleneck Models Respect Localities? [14.77558378567965]
  概念に基づく説明可能性法は、人間の理解可能な仲介者を用いて機械学習モデルの説明を生成する。 我々は、概念予測者が「関連」機能を利用して予測を行うかどうかを評価する。 概念予測器は必ずしも明確な概念を区別できないため、実際には多くの概念ベースモデルは局所性を尊重しない。
  論文  参考訳（メタデータ） (2024-01-02T16:05:23Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Provable concept learning for interpretable predictions using variational inference [7.0349768355860895]
  安全クリティカルなアプリケーションでは、解釈可能な説明が得られない場合、実践者はニューラルネットワークを信頼することを避けます。 我々は(C)概念(L)アーニングと(P)ディディクション(CLAP)を導出する確率論的モデリングフレームワークを提案する。 本手法は最適な分類精度を保ちながら同定できることを実証する。
  論文  参考訳（メタデータ） (2022-04-01T14:51:38Z)

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。