論文の概要: Rashomon Alignment

• arxiv url: http://arxiv.org/abs/2607.25680v1
• Date: Tue, 28 Jul 2026 12:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.843349
• Title: Rashomon Alignment
• Title（参考訳）: 羅生門
• Authors: Moisés Santos, Peter van der Putten, Bernhard Pfahringer, Carlos Soares,
• Abstract要約: ラショモンアライメント(Rashomon Alignment, RA)は、2つのモデル間の機能的類似性を評価するための新しい尺度である。 RAは、モデル選択、アンサンブル構成、機械学習モデルとアルゴリズムの解釈可能性の向上など、複数の目的で使用することができる。
• 参考スコア（独自算出の注目度）: 6.742113963639309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Rashomon Alignment (RA), a new measure to assess functional similarity between two models. Existing functional similarity measures are distributional, quantifying differences between outputs of models applied to real-world data. However, these measures can be regarded as ecologically valid only for regions in the input space represented by the available data. We introduce a geometrical perspective on functional model similarity, which estimates it across the entire data space, offering a comprehensive view of decision boundary alignment independent of any specific data distribution. We also propose geometric Rashomon Alignment as a measure of geometrical similarity, which is computed using data uniformly sampled from the instance space. We perform an experimental analysis on more than 90 datasets, examining critical cases where model alignment diverges from predictive accuracy. Our results show that geometrical and distributional alignment provide different and complementary perspectives on the similarity between models and algorithms. RA can be used for multiple purposes, including model selection, ensemble construction, and enhanced interpretability of machine learning models and algorithms.
• Abstract（参考訳）: 2つのモデル間の機能的類似性を評価するための新しい尺度であるRashomon Alignment (RA)を提案する。 既存の機能的類似度尺度は分布であり、実世界のデータに適用されたモデルの出力の違いを定量化する。 しかし、これらの尺度は、利用可能なデータで表される入力空間内の領域に対してのみ、生態学的に有効であると見なすことができる。 機能モデル類似性に関する幾何学的視点を導入し、データ空間全体にわたって推定し、特定のデータ分布に依存しない決定境界アライメントの包括的ビューを提供する。 また,幾何学的類似性の尺度として幾何学的羅生門アライメントを提案し,インスタンス空間から一様にサンプリングされたデータを用いて計算する。 モデルアライメントが予測精度から分岐する臨界事例を,90以上のデータセットに対して実験的に解析した。 本結果は,幾何学的および分布的アライメントが,モデルとアルゴリズムの類似性について,異なる相補的視点を提供することを示す。 RAは、モデル選択、アンサンブル構成、機械学習モデルとアルゴリズムの解釈可能性の向上など、複数の目的で使用することができる。

関連論文リスト

• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Connecting Neural Models Latent Geometries with Relative Geodesic Representations [21.71782603770616]
  遅延構造を異なる潜在空間間で共有する場合、表現間の相対距離を歪みまで保存できることが示される。 異なるニューラルモデルは、ほぼ同じ基礎多様体をパラメータ化し、プルバック計量に基づく表現を導入すると仮定する。 本手法は,オートエンコーダと視覚基盤識別モデルを対象として,モデルの縫合と検索のタスクについて検証する。
  論文  参考訳（メタデータ） (2025-06-02T12:34:55Z)
• Topological Parallax: A Geometric Specification for Deep Perception Models [0.778001492222129]
  本稿では,学習したモデルを参照データセットと比較する理論的・計算ツールとしてトポロジカルパララックスを導入する。 我々の例では、データセットとモデルの間のこの幾何学的類似性は、信頼性と摂動に不可欠である。 この新しい概念は、ディープラーニングの応用における過度な適合と一般化の間の不明瞭な関係について、現在の議論に価値をもたらすだろう。
  論文  参考訳（メタデータ） (2023-06-20T18:45:24Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Approximating Intersections and Differences Between Linear Statistical Shape Models Using Markov Chain Monte Carlo [5.8691349601057325]
  本稿では,2つの線形SSMを高密度対応で比較する手法を提案する。 マルコフ連鎖モンテカルロを用いて交叉空間に横たわる形状の分布を近似する。 本稿では,交差空間の計算と解析と,利用可能な顔モデルの違いにより,提案アルゴリズムを定性的に示す。
  論文  参考訳（メタデータ） (2022-11-29T15:54:34Z)

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。