論文の概要: Diverse and Plausible Algorithmic Recourse via Tractable Recourse Distributions

• arxiv url: http://arxiv.org/abs/2608.04677v1
• Date: Wed, 05 Aug 2026 10:40:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.827278
• Title: Diverse and Plausible Algorithmic Recourse via Tractable Recourse Distributions
• Title（参考訳）: トラクタブルなリコース分布による多変量および可塑性アルゴリズム的リコース
• Authors: Anagha Sabu, Hrithik Suresh, Narayanan C. Krishnan,
• Abstract要約: リコースシステムは、1つではなく複数の現実的な代替手段を提供するべきである。 本稿では,ある実例に対して実現可能な代替案の空間を表す確率的フレームワークであるTractable Recourse Distributionsを提案する。 標準的なアルゴリズムリコースベンチマークデータセットの実験では、提案したフレームワークが多様性、妥当性、実現可能性を同時に達成できることが示されている。
• 参考スコア（独自算出の注目度）: 0.8538830579425144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic recourse seeks to help individuals reverse unfavorable automated decisions by recommending actionable changes that achieve a desired outcome. As an individual usually has several distinct routes to a favorable decision, and different people can act on different ones, a recourse system should offer multiple realistic alternatives rather than one. Existing approaches formulate recourse as an optimization problem that constructs one or a small set of counterfactuals rather than modeling the underlying space of feasible solutions, and in practice each sacrifices diversity, plausibility, or feasibility to secure the others. We propose Tractable Recourse Distributions, a probabilistic framework that represents the space of feasible alternatives for a given factual instance as a probability distribution over favorable outcomes. For commonly used cost functions based on proximity and the number of feature changes, we show that this distribution admits an exact representation as a probabilistic circuit, obtained by exponentially tilting the circuit; each individual's distribution is therefore available in closed form, without retraining the model. Sampling from these distributions naturally produces diverse and plausible recourses, while the tilting parameters provide explicit control over their proximity and sparsity. Experiments on standard algorithmic recourse benchmark datasets demonstrate that the proposed framework attains diversity, plausibility, and feasibility simultaneously, while retaining sufficient probability mass over feasible counterfactuals for rejection sampling to be practical. A visual study on MNIST illustrates how the tilt strength trades proximity against validity.
• Abstract（参考訳）: アルゴリズムのリコースは、個人が望ましい結果を達成する実行可能な変更を推奨することで、好ましくない自動決定を逆転させるのを助ける。 個人は通常、好意的な決定へのいくつかの異なる経路を持ち、異なる人々が異なる決定に対して行動することができるため、リコースシステムは1つではなく複数の現実的な選択肢を提供するべきである。 既存のアプローチは、実現可能な解の基盤空間をモデル化するよりも、1つまたは小さな対物集合を構築する最適化問題として定式化される。 本稿では,提案する確率分布として,ある実例に対して有効な代替案の空間を表す確率的フレームワークTractable Recourse Distributionsを提案する。 近接関数と特徴量に基づくコスト関数の場合、この分布は指数関数的に回路を傾けることによって得られる確率的回路として正確に表現され、したがって個々の分布はモデルを再訓練することなく閉じた形で利用できることを示す。 これらの分布からサンプリングすると自然に多様で可塑性な会話が生成され、傾きパラメータはその近さと疎さを明示的に制御する。 標準的なアルゴリズム・リコース・ベンチマーク・データセットを用いた実験により,提案手法は多様性,妥当性,実現可能性の両立を同時に達成し,かつ,拒絶サンプリングを行うための有効な対策として十分な確率を確保できることを示した。 MNISTの視覚的研究は、傾きの強さが有効性に対してどのように近接するかを示している。

関連論文リスト

• SCOPE: Stochastic and Counterbiased Option Placement for Evaluating Large Language Models [0.27309692684728604]
  大規模言語モデル(LLM)は、選択肢の位置やラベルに固有のバイアスを生かして、複数の選択タスクの膨らませたスコアを達成できる。 本研究では,データセットに依存しない方法で選択バイアスを計測・緩和するSCOPEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T08:28:17Z)
• Data-Driven Sequential Sampling for Tail Risk Mitigation [1.795366746592388]
  固定サンプリング予算を逐次割当てして最適な選択肢を高い確率で特定する問題について検討する。 本稿では,データ駆動シーケンシャルサンプリングポリシーを提案する。
  論文  参考訳（メタデータ） (2025-03-10T04:32:27Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Generative Assignment Flows for Representing and Learning Joint Distributions of Discrete Data [2.6499018693213316]
  離散確率変数の結合確率分布の表現のための新しい生成モデルを提案する。 このアプローチでは、分解分布の統計部分多様体上のランダム化代入フローによる測度輸送を用いる。
  論文  参考訳（メタデータ） (2024-06-06T21:58:33Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
  本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。 摂動を事前分布関数によるランダム変数として扱う。 収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
  論文  参考訳（メタデータ） (2023-01-21T00:21:11Z)
• Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
  トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
  論文  参考訳（メタデータ） (2021-07-29T17:42:12Z)

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。