論文の概要: Hide&Seek: Learning to Explain in an End-to-End Differentiable Network

• arxiv url: http://arxiv.org/abs/2608.16689v1
• Date: Mon, 17 Aug 2026 15:10:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.762671
• Title: Hide&Seek: Learning to Explain in an End-to-End Differentiable Network
• Title（参考訳）: Hide&Seek: エンド・ツー・エンドの差別化可能なネットワークで説明できることを学ぶ
• Abstract要約: Hide&Seekは、インスタンスワイドの機能選択のためのエンドツーエンドの差別化可能なモデルです。 我々は情報漏洩のない単一の目的の下で特徴の選択と予測を共同で学習する。 特徴を個別に取り除くのではなく、各特徴の比率を置き換える、微分可能な操作として特徴除去を再構成することでこれを実現する。
• 参考スコア（独自算出の注目度）: 3.2880869992413246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instance-wise feature selection is a valuable tool for interpreting labeled data and the predictions of black-box models. In contrast to global feature selection techniques, instance-wise methods dynamically identify important features for each instance. A growing number of methods learn a selector, which identifies important features, and a predictor, which uses these to make predictions. However, these pioneering methods face challenges including information leakage and lack of differentiability, which can slow training. In this paper, we present Hide&Seek, an end-to-end differentiable model for instance-wise feature selection. We jointly learn feature selection and prediction under a single objective without information leakage. Hide&Seek outperforms existing state-of-the-art models across a range of experiments and is fast to train. We achieve this by reformulating feature removal as a differentiable operation where instead of discretely removing features, we replace a proportion of each feature. Training is further stabilized via a parsimony-weight annealing framework.
• Abstract（参考訳）: インスタンス単位の機能選択は、ラベル付きデータとブラックボックスモデルの予測を解釈するための貴重なツールである。 グローバルな特徴選択技術とは対照的に、インスタンスワイドメソッドは各インスタンスの重要な特徴を動的に識別する。 多くのメソッドが重要な特徴を識別するセレクタと、これらを使って予測を行う予測器を学習している。 しかし、これらの先駆的な手法は、情報漏洩や差別化の欠如など、訓練を遅らせる可能性がある課題に直面している。 本稿では,実例による特徴選択のためのエンドツーエンドの微分可能なモデルであるHie&Seekを紹介する。 我々は情報漏洩のない単一の目的の下で特徴の選択と予測を共同で学習する。 Hide&Seekは、さまざまな実験で既存の最先端モデルより優れており、訓練も速い。 特徴を個別に取り除くのではなく、各特徴の比率を置き換える、微分可能な操作として特徴除去を再構成することでこれを実現する。 トレーニングはパシモニー級のアニーリングフレームワークによってさらに安定化される。

関連論文リスト

• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• Don't Forget Too Much: Towards Machine Unlearning on Feature Level [16.32116782528703]
  我々は特徴未学習と呼ばれる洗練された粒度未学習スキームを提案する。 まず、機能に関するアノテーション情報が与えられるかどうかに基づいて、2つのシナリオを探索する。 本稿では,特徴に対する影響を自動的に除去する逆学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-16T14:08:46Z)
• Spurious Feature Eraser: Stabilizing Test-Time Adaptation for Vision-Language Foundation Model [86.9619638550683]
  視覚言語基礎モデルは、画像とテキストのペアデータに拡張性があるため、多数の下流タスクで顕著な成功を収めている。 しかし、これらのモデルは、決定ショートカットの結果、きめ細かな画像分類などの下流タスクに適用した場合に重大な制限を呈する」。
  論文  参考訳（メタデータ） (2024-03-01T09:01:53Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Ensembling improves stability and power of feature selection for deep learning models [11.973624420202388]
  本稿では,ディープラーニングモデルの設計と訓練における本質性によって,一般的に用いられる特徴重要度スコアが不安定になることを示す。 我々は、異なるエポックにおけるモデルの重要度スコアのアンサンブルについて検討し、この単純なアプローチがこの問題に実質的に対処できることを見出した。 訓練されたモデルの特徴的重要度を組み合わせるためのフレームワークを提案し、一つのベストモデルから特徴を選択する代わりに、多くの優れたモデルから特徴的重要度スコアのアンサンブルを実行する。
  論文  参考訳（メタデータ） (2022-10-02T19:07:53Z)
• Deep Feature Selection Using a Novel Complementary Feature Mask [5.904240881373805]
  重要度が低い機能を活用することで、機能選択に対処します。 本稿では,新しい補完機能マスクに基づく特徴選択フレームワークを提案する。 提案手法は汎用的であり,既存のディープラーニングに基づく特徴選択手法に容易に組み込むことができる。
  論文  参考訳（メタデータ） (2022-09-25T18:03:30Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Dynamic Instance-Wise Classification in Correlated Feature Spaces [15.351282873821935]
  典型的な機械学習環境では、すべてのテストインスタンスの予測は、モデルトレーニング中に発見された機能の共通サブセットに基づいている。 それぞれのテストインスタンスに対して個別に評価する最適な特徴を順次選択し、分類精度に関して更なる改善が得られないことを判断すると、選択プロセスが終了して予測を行う新しい手法を提案する。 提案手法の有効性, 一般化性, 拡張性について, 多様なアプリケーション領域の様々な実世界のデータセットで説明する。
  論文  参考訳（メタデータ） (2021-06-08T20:20:36Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。