論文の概要: Counterfactual Transition Graphs: Evaluating Cross-Class Transition Quality

• arxiv url: http://arxiv.org/abs/2608.23164v1
• Date: Mon, 24 Aug 2026 12:11:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.051317
• Title: Counterfactual Transition Graphs: Evaluating Cross-Class Transition Quality
• Title（参考訳）: Counterfactual transition graphs: Evaluating cross-class transition quality
• Abstract要約: 本稿では,各ノードがクラスであり,各エッジウェイトがプロトタイプから別のプロトタイプへの遷移のCF信頼性である対実遷移グラフ(CGT)を提案する。 6クラス手動作業において,2値混合行列では予測できない非自明なトポロジーを明らかにするCGTを誘導する。 私たちのフレームワークはメソッドです。
• 参考スコア（独自算出の注目度）: 6.929743379017672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual (CF) explanations for time-series classifiers are usually evaluated one example at a time: what minimal edit flips this single window's prediction? We argue that the more informative question for diagnostic interpretability is structural: how does the classifier connect its own classes to each other? We propose a counterfactual transition graph (CGT) in which each node is a class and each edge weight is the CF reliability of the transition from one prototype to another under a proximity aware retrieval sweep. On a six-class hand-movement task, we induce a CGT that reveals a non-trivial topology, which is not predicted by the binary confusion matrix: it shows that counterfactual reachability does not align with classifier accuracy and even runs counter to it (Spearman $ρ=-0.37$ over the 15 pairs), i.e. the boundaries the classifier separates most confidently are among those an in-distribution edit can least often cross. Our framework is method agnostic, i.e. any CF-explainers can be used. Presently, we use it to juxtapose replacement-based CFs with gradient-based CFs; gradient-based methods reach almost any class by stepping off the data manifold, while replacement-based methods stay on it and fail on precisely the rigid boundaries.
• Abstract（参考訳）: 時系列分類器に対するCF( Counterfactual)の説明は通常、ひとつの例を一度に評価する。 診断の解釈可能性に関するより有意義な質問は構造的であり、分類器はどのようにそれぞれのクラスを相互に結び付けるのか? 本稿では,各ノードがクラスであり,各エッジウェイトが,近接的に認識された検索スイープの下で,プロトタイプから他のプロトタイプへの遷移のCF信頼性である対実遷移グラフ(CGT)を提案する。 6種類の手動作業において、非自明なトポロジーを明らかにするCGTを誘導するが、これは二項混合行列では予測されない。これは、反ファクト的リーチビリティが分類器の精度と一致せず、それに対応する(Spearman $ρ=-0.37$ over the 15 pairs)。 我々のフレームワークはメソッドに依存しない。 勾配に基づく手法はデータ多様体を踏むことによってほぼ任意のクラスに到達し、置換に基づく手法はその上に留まり、厳密な境界で正確に失敗する。

関連論文リスト

• Counterfactual Contrastive Analysis [6.190850256222902]
  コントラスト分析(CA)に基づく視覚対物生成のための分類器なし手法を提案する。 我々は,2つのデータセットに共通する生成因子を,各データセットに有意な要素から切り離し,有意な要素のみを交換することで,対物画像を生成する。 提案手法を3つの医用画像データセット上で評価し,既存の手法と比較して優れた反事実生成品質を示す。
  論文  参考訳（メタデータ） (2026-08-19T15:25:21Z)
• The Gaussian Discriminant Variational Autoencoder (GdVAE): A Self-Explainable Model with Counterfactual Explanations [6.741417019751439]
  視覚的対物的説明(CF)法は、画像の概念を変更し、予測を事前に定義された結果に変更する。 本稿では,条件付き変分オートエンコーダ(CVAE)とCF説明の統合に基づく自己説明可能なモデルであるGdVAEを紹介する。 CFsの整合性は、説明関数で潜在空間を正規化することによって改善される。
  論文  参考訳（メタデータ） (2024-09-19T17:58:15Z)
• A Hard-to-Beat Baseline for Training-free CLIP-based Adaptation [121.0693322732454]
  対照的に、CLIP(Contrastive Language- Image Pretraining)はその目覚ましいゼロショット能力で人気を集めている。 近年の研究では、下流タスクにおけるCLIPの性能を高めるための効率的な微調整手法の開発に焦点が当てられている。 従来のアルゴリズムであるガウス判別分析(GDA)を再検討し,CLIPの下流分類に適用する。
  論文  参考訳（メタデータ） (2024-02-06T15:45:27Z)
• Neural Collapse Inspired Feature-Classifier Alignment for Few-Shot Class Incremental Learning [120.53458753007851]
  FSCIL(Few-shot class-incremental Learning)は、新しいセッションにおいて、新しいクラスごとにいくつかのトレーニングサンプルしかアクセスできないため、難しい問題である。 我々は最近発見された神経崩壊現象にインスパイアされたFSCILのこの不整合ジレンマに対処する。 我々は、FSCILのための神経崩壊誘発フレームワークを提案する。MiniImageNet、CUB-200、CIFAR-100データセットの実験により、提案したフレームワークが最先端のパフォーマンスより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• An Upper Bound for the Distribution Overlap Index and Its Applications [22.92968284023414]
  本稿では,2つの確率分布間の重なり関数に対する計算容易な上限を提案する。 提案した境界は、一級分類と領域シフト解析においてその値を示す。 私たちの研究は、重複ベースのメトリクスの応用を拡大する大きな可能性を示しています。
  論文  参考訳（メタデータ） (2022-12-16T20:02:03Z)
• Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
  汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。 我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。 私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-10-15T13:30:12Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
  本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。 提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
  論文  参考訳（メタデータ） (2021-12-14T08:25:24Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• 3D Correspondence Grouping with Compatibility Features [51.869670613445685]
  本稿では,3次元対応グルーピングのための簡易かつ効果的な手法を提案する。 目的は、局所幾何学的記述子を不整合と外接点にマッチングすることによって得られる初期対応を正確に分類することである。 本稿では,不整合と不整合を表わすために,互換性特徴(CF)と呼ばれる3次元対応の表現を提案する。
  論文  参考訳（メタデータ） (2020-07-21T02:39:48Z)

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。