Fugu-MT 論文翻訳(概要): Measuring Explainer Stability via Attribution Separability

論文の概要: Measuring Explainer Stability via Attribution Separability

arxiv url: http://arxiv.org/abs/2608.02697v1
Date: Mon, 03 Aug 2026 11:26:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:22.901789
Title: Measuring Explainer Stability via Attribution Separability
Title（参考訳）: 属性分離性による説明者安定性の測定
Abstract要約: 本稿では,属性スコアの安定性を把握するための分布に基づくフレームワークを提案する。本手法は, AMの安定性を評価するための相補的基準を提供する。
参考スコア（独自算出の注目度）: 0.7559720049837458
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Attribution methods (AMs) assign an importance score to each feature and are widely adopted to explain black-box models. However, most methods can produce variable attribution scores due to stochastic components in their definition. In this paper, we propose a distribution-based framework to capture the stability of attribution scores. In particular, our approach allows to understand the degree of separability in the ranked attribution vector and obtain the largest index for which a feature ranking remains reliable. We further extend this framework to compare AMs based on the robustness of their rankings across a dataset. Through experiments, we demonstrate how to apply our method to evaluate explainer stability. Overall, our approach provides a complementary criterion for evaluating the stability of AMs.
Abstract（参考訳）: 属性法(AM)は各特徴に重要なスコアを割り当て、ブラックボックスモデルを説明するために広く採用されている。しかし、ほとんどのメソッドは確率的成分の定義による変数属性スコアを生成できる。本稿では,属性スコアの安定性を把握するための分布に基づくフレームワークを提案する。特に,本手法では,帰属ベクトルの分離可能性の程度を把握し,特徴ランクの信頼性を保った最大の指標を得ることができる。さらにこのフレームワークを拡張して、データセット間のランキングの堅牢性に基づいて、AMを比較します。実験を通じて,本手法を用いて説明者の安定性を評価する方法を示す。全体として,本手法はAMの安定性を評価するための補完的基準を提供する。

関連論文リスト

RiVaT-Fuse: Reliability-Calibrated Variational Tensor Fusion for Multimodal Prediction under Modality Uncertainty [0.5249805590164902]
RiVaT-Fuseは画像メタタ予測のための信頼性校正変分数テンソル融合フレームワークである。画像のエビデンス、メタデータのエビデンス、構造化された相互モーダル相互作用、安定性のバランスをとる変動目標を通じて、コンセンサス潜在状態を推定する。画像レベルの画像メタデータ予測ベンチマークでは、直接表現レベルのベースラインの中で、RiVaT-Fuseが最も高い総合的な予測ランクを達成している。
論文参考訳（メタデータ） (2026-09-09T19:59:49Z)
MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering [73.47440561592556]
トレーニング不要な属性生成手法であるMultAttnAttribを紹介する。 MultAttnAttribは、様々な属性生成方法よりも一貫して優れていることを示す。提案手法は直接推論遅延の最大7分の1の属性を生成する。
論文参考訳（メタデータ） (2026-07-01T19:29:19Z)
RoSHAP: A Distributional Framework and Robust Metric for Stable Feature Attribution [10.49574311383701]
本稿では,特徴属性の予測特性とロシュアトリビューション指標(ロシュアトリビューション指標)を,SHAP測定値に基づく安定な特徴ランキングに組み込むためのフレームワークを提案する。正規性条件下では、集約された特徴属性スコアはガウスであり、分布推定の計算コストを大幅に削減することを示す。 RoSHAPアプローチは、マシンラーニングモデルの安定性と解釈性を改善し、分析のための信頼性と一貫性のある洞察を可能にする。
論文参考訳（メタデータ） (2026-05-14T17:51:09Z)
Prompt-Dependent Ranking of Large Language Models with Uncertainty Quantification [9.99813918008511]
我々は、ペアワイズな人選好の下で、プロンプト依存のランキング推定について検討する。我々は統計的に妥当な不確実性保証を有する意思決定安全ランキングの枠組みを開発する。
論文参考訳（メタデータ） (2026-02-11T18:16:24Z)
Trust in One Round: Confidence Estimation for Large Language Models via Structural Signals [13.89434979851652]
大規模言語モデル(LLM)は、エラーが社会的、科学的、安全コストの高い領域にますます展開されている。本稿では,出力の正確性を予測する単一パスモデル依存フレームワークであるStructure Confidenceを提案する。
論文参考訳（メタデータ） (2026-02-01T02:35:59Z)
Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
論文参考訳（メタデータ） (2025-09-29T12:15:52Z)
Statistical Inference for Temporal Difference Learning with Linear Function Approximation [55.80276145563105]
The statistics properties of Temporal difference learning with Polyak-Ruppert averaging。 3つの理論的な貢献により、現在の最先端の成果が向上する。
論文参考訳（メタデータ） (2024-10-21T15:34:44Z)
A Backdoor-based Explainable AI Benchmark for High Fidelity Evaluation of Attributions [60.06461883533697]
まず、属性手法の信頼性ベンチマークが満たすであろう信頼度基準のセットを同定する。次に、望ましい忠実度基準に準拠したBackdoorベースのeXplainable AIベンチマーク(BackX)を紹介します。我々の分析はまた、属性を利用して神経トロイの木馬を守るための洞察を提供する。
論文参考訳（メタデータ） (2024-05-02T13:48:37Z)
Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
論文参考訳（メタデータ） (2024-02-14T16:10:42Z)
Uncertainty in Fairness Assessment: Maintaining Stable Conclusions Despite Fluctuations [4.926395463398194]
本研究では,任意の基準の組み合わせの後方分布を導出するために,ベータ・バイノミカルアプローチを一般化する不確実性事項(UM)フレームワークを提案する。ベイズ法により更新された多項分布を用いて,各人口集団の混同行列をモデル化することを提案する。
論文参考訳（メタデータ） (2023-02-02T13:10:31Z)
Concrete Score Matching: Generalized Score Matching for Discrete Data [109.12439278055213]
コンクレトスコア(Concrete score)とは、個別の設定のためのスコア(ステイン)の一般化である。コンクレトスコアマッチング(Concrete Score Matching)は、サンプルからこのようなスコアを学習するフレームワークである。
論文参考訳（メタデータ） (2022-11-02T00:41:37Z)
Stable and consistent density-based clustering via multiparameter persistence [49.1574468325115]
トポロジカルデータ解析による次数-リップス構成について考察する。我々は,入力データの摂動に対する安定性を,通信間距離を用いて解析する。私たちはこれらのメソッドを、Persistableと呼ばれる密度ベースのクラスタリングのためのパイプラインに統合します。
論文参考訳（メタデータ） (2020-05-18T19:45:04Z)
Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
論文参考訳（メタデータ） (2020-03-05T19:56:23Z)

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。