論文の概要: Beyond $L_2$: Generalizing Abductive Latent Explanations to Diverse Prototype-Based Architectures
- arxiv url: http://arxiv.org/abs/2608.16773v1
- Date: Mon, 17 Aug 2026 16:20:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.79236
- Title: Beyond $L_2$: Generalizing Abductive Latent Explanations to Diverse Prototype-Based Architectures
- Title（参考訳）: L_2$を超える: 多様なプロトタイプベースアーキテクチャへの帰納的遅延説明の一般化
- Abstract要約: ALE (Abductive Latent Explanations) は形式的で数学的に保証された説明を提供するために導入された。
ALEは形式的な説明をするために、潜在空間距離の厳密な境界の計算に依存している。
本研究では,非ユークリッドプロトタイプアーキテクチャをサポートするために,ALEフレームワークを一般化する。
- 参考スコア（独自算出の注目度）: 7.001970497421476
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prototype-based neural networks are hailed as interpretable-by-design architectures. Recently, Abductive Latent Explanations (ALE) were introduced to provide formal, mathematically guaranteed explanations that leverage the intrinsic structure of these networks to ensure both predictive safety and human readability. ALEs rely on computing tight bounds on latent space distances to produce formal explanations. However, existing ALE formulations are rigidly confined to Euclidean latent spaces. This leaves a critical gap: modern state-of-the-art architectures increasingly rely on non-Euclidean representations - such as spherical metrics, Gaussian densities, and dimensional projections - rendering current formal explanation methods incompatible. In this work, we generalize the ALE framework to support non-Euclidean prototype architectures. For each geometric variant, we systematically derive how to either map the architecture to existing bounds or construct novel, architecture-specific bounding algorithms. We validate our theoretical constructions by computing subset-minimal formal explanations on fully trained image classifiers. By unifying these diverse models under a single formal framework, we enable the first rigorous, cross-architecture comparison of their interpretability.
- Abstract（参考訳）: プロトタイプベースのニューラルネットワークは、解釈可能な設計アーキテクチャとして評価されている。
近年,ALE (Abductive Latent Explanations) が導入され,これらのネットワークの本質的な構造を活用し,予測的安全性と人的可読性の両方を保証する数学的に保証された公式な説明が提供されている。
ALEは形式的な説明をするために、潜在空間距離の厳密な境界の計算に依存している。
しかし、既存の ALE の定式化はユークリッド潜在空間に厳密に制限されている。
現代の最先端のアーキテクチャは、球面計量、ガウス密度、次元射影のような非ユークリッド表現にますます依存している。
本研究では,非ユークリッドプロトタイプアーキテクチャをサポートするために,ALEフレームワークを一般化する。
各幾何学的変種に対して、アーキテクチャを既存の境界にマッピングするか、新しいアーキテクチャ固有の有界アルゴリズムを構築する方法を体系的に導出する。
完全に訓練された画像分類器上で、サブセット最小の形式的説明を計算し、理論的構成を検証する。
これらの多様なモデルを単一の形式的な枠組みで統一することにより、その解釈可能性の最初の厳密でクロスアーキテクチャな比較を可能にします。
関連論文リスト
- An expressivity analysis of hierarchical modelling in deep transformers via bounded-depth grammars [54.11540943172608]
ディープニューラルネットワークは、その表現力は、テクスブ階層的表現を形成する能力から導かれると広く信じられている。
言語モデリングでは、textbftransformerが支配的なアーキテクチャとして登場し、初期のレイヤはローカルの構文パターンをキャプチャし、後のレイヤはより複雑な節レベルの依存関係をコードしている。
これらのアーキテクチャは、抽象文法状態が残留ストリーム内の低次元の線形分離可能部分空間に符号化される構造的能力を持っていると論じる。
論文 参考訳（メタデータ） (2026-06-16T05:02:13Z) - Overcoming the Impedance Mismatch: A Theoretical Roadmap for Fusing Foundation Models and Knowledge Graphs [0.0]
構造的および幾何学的摩擦をtextitImpedance Mismatch として定式化する。
本稿では,真の意味融合を実現するための厳密な理論的ロードマップを提案する。
このフレームワークは、シンボリック論理の精度をパラメトリックメモリの表現率とシームレスに融合するモデルを構築する。
論文 参考訳（メタデータ） (2026-04-21T17:30:15Z) - A General Method for Proving Networks Universal Approximation Property [3.565474315629056]
本稿では、普遍近似を証明するための汎用的でモジュラーなフレームワークを提案する。
このようなモジュールからなるディープネットワークは、本質的に普遍近似特性を保っていることを示す。
論文 参考訳（メタデータ） (2025-11-11T05:48:34Z) - Native Logical and Hierarchical Representations with Subspace Embeddings [25.274936769664098]
線形部分空間として概念を埋め込むという新しいパラダイムを導入する。
交叉(接点)や線形和(接点)のような集合論的な操作を自然にサポートする
提案手法は,WordNet上での再構築とリンク予測の最先端化を実現する。
論文 参考訳（メタデータ） (2025-08-21T18:29:17Z) - TokenBlowUp: Resolving Representational Singularities in LLM Token Spaces via Monoidal Transformations [0.9179857807576733]
最近の研究は、大規模言語モデルのトークン埋め込み空間に対する基礎多様体仮説に挑戦する説得力のある証拠を提供している。
我々はこの問題をスキーム理論の言語で定式化し、スキーム理論のブローアップを各特異点に適用することにより厳密な解法を提案する。
我々は、この新しい空間の幾何学的正則化を保証する公式な定理を証明し、元の病理が解決されたことを示す。
論文 参考訳（メタデータ） (2025-07-26T02:39:54Z) - Compositional Structures in Neural Embedding and Interaction Decompositions [101.40245125955306]
ニューラルネットワークにおけるベクトル埋め込みにおける線形代数構造間の基本的な対応について述べる。
相互作用分解」の観点から構成構造の特徴づけを導入する。
モデルの表現の中にそのような構造が存在するためには、必要かつ十分な条件を確立する。
論文 参考訳（メタデータ） (2024-07-12T02:39:50Z) - Explaining Modern Gated-Linear RNNs via a Unified Implicit Attention Formulation [54.50526986788175]
効率的なシーケンスモデリングの最近の進歩は、Mamba、RWKV、および様々なゲートRNNのような注意のないレイヤーを生み出している。
我々はこれらのモデルの統一的なビューを示し、暗黙の因果自己注意層のような層を定式化する。
筆者らのフレームワークは,異なるレイヤに対する類似の基盤となるメカニズムを比較検討し,説明可能性の手法を直接適用する手段を提供する。
論文 参考訳（メタデータ） (2024-05-26T09:57:45Z) - Universal approximation property of invertible neural networks [76.95927093274392]
Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。
その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
論文 参考訳（メタデータ） (2022-04-15T10:45:26Z) - Inter-layer Transition in Neural Architecture Search [89.00449751022771]
本論文では、連結エッジのアーキテクチャ重み間の依存性を明示的にモデル化する。
5つのベンチマーク実験により、層間依存性のモデル化の価値を確認し、提案手法が最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-11-30T03:33:52Z) - Orthologics for Cones [5.994412766684843]
本稿では,そのような幾何学的構造の論理について考察する。
閉凸円錐を保った部分モジュラリティ則を持つ最小オルソロジーの拡張を記述する。
この論理は、(凸性/凸性を明らかにする)実現可能なデータ構造と、完全な直交を含む十分な表現性を組み合わせたものである。
論文 参考訳（メタデータ） (2020-08-07T13:28:27Z) - Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。
本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。
本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-13T18:05:36Z)
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。