論文の概要: Actionable CBFI: Integrating Structural Decomposition and Causal Counterfactual Recourse for Tabular Machine Learning
- arxiv url: http://arxiv.org/abs/2608.27821v1
- Date: Fri, 28 Aug 2026 01:40:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.17719
- Title: Actionable CBFI: Integrating Structural Decomposition and Causal Counterfactual Recourse for Tabular Machine Learning
- Title（参考訳）: アクティブルCBFI:タブラル機械学習のための構造分解と因果因果関係の統合
- Abstract要約: ケースベース特徴重要度(A-CBFI)は、機械学習のための診断記述統合フレームワークである。
A-CBFIは相乗的相互作用のボトルネックを分離し、抑制構造ロックを放出し、それらを標的の介入に変換する。
金融・医療分野における実証的な評価は、A-CBFIがアクティブな人間の介入負担を76.9%削減することを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Explainable artificial intelligence (XAI) increasingly calls for actionable counterfactual recourse, yet current methodologies face challenges related to causal invalidity, excessive cognitive burden, and predictive failure. Exhaustive causal search algorithms often require modifications to multiple attributes, whereas additive attribution-guided methods, such as SHAP, ignore higher-order feature synergies, leading to suboptimal predictive momentum and diffuse intervention effort in complex nonlinear models, such as XGBoost. To bridge this gap, we introduce actionable case-based feature importance (A-CBFI), a diagnosis-prescription integrated framework for tabular machine learning. Grounded in structural causal models (SCMs), A-CBFI isolates synergistic interaction bottlenecks and releases suppressive structural locks, translating them into targeted interventions. By mathematically separating the active user intervention space (L_{\mathrm{active}}) from downstream effects and concentrating over 98.3% of the intervention effort on diagnosed root causes, A-CBFI enables highly targeted interventions. Empirical evaluations across the financial and healthcare domains demonstrate that A-CBFI reduces the active human intervention burden by 76.9% while maintaining comparable global recourse cost to exhaustive causal baselines. By prioritizing the diagnosed causal bottlenecks, A-CBFI provides targeted and actionable recourse while maintaining causal validity and achieving full relative convergence across all causally feasible instances.
- Abstract（参考訳）: 説明可能な人工知能(XAI)は、行動可能な対実的会話をますます求めているが、現在の方法論は、因果的無効性、過度の認知的負担、予測的失敗に関連する課題に直面している。
排他的因果探索アルゴリズムは複数の属性の変更を必要とすることが多いが、SHAPのような付加帰属誘導法は高次特徴相乗効果を無視し、XGBoostのような複雑な非線形モデルにおける準最適運動量と拡散介入の努力をもたらす。
このギャップを埋めるために、我々は、表型機械学習のための診断記述統合フレームワークである実行可能なケースベース特徴重要度(A-CBFI)を導入する。
構造因果モデル(SCM)に基づいて、A-CBFIは相乗的相互作用のボトルネックを分離し、抑制的な構造ロックを放出し、それらを標的とした介入に変換する。
有効ユーザ介入空間(L_{\mathrm{active}})を下流効果から数学的に分離し、診断された根本原因に対する介入の98.3%以上に集中することにより、A-CBFIは高度に標的を絞った介入を可能にする。
金融・医療分野における実証的な評価は、A-CBFIが活動的な人的介入の負担を76.9%削減し、また、徹底的な因果ベースラインに匹敵する世界的なリコースコストを維持していることを示している。
診断された因果的ボトルネックを優先順位付けすることで、A-CBFIは、因果的妥当性を維持しつつ、すべての因果的実現可能なインスタンスに対して完全な相対収束を達成しつつ、ターゲット的で行動可能な関係を提供する。
関連論文リスト
- Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。
COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。
本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T04:26:47Z) - Poisoning Learned Index Structures: Static and Dynamic Adversarial Attacks on ALEX [0.0]
本稿では、最先端の動的学習指標であるALEX上での攻撃パラダイムの系統的研究を行う。
以上の結果から,脅威モデルとの明確な分離が示された。
これらの結果から,学習指標のロバスト性は,脅威モデル,データ分布,評価手法の相互作用に大きく依存していることが示唆された。
論文 参考訳（メタデータ） (2026-04-27T20:20:42Z) - Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。
合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
論文 参考訳（メタデータ） (2026-03-03T18:16:16Z) - Linear Causal Discovery with Interventional Constraints [2.5603448256298944]
介入制約と呼ばれる因果発見に新しい概念を導入する。
介入制約は、因果的影響に対する不平等な制約という形で、高いレベルの因果的知識を符号化する。
実世界のデータセットに対する我々のアプローチを評価し、介入制約の統合がモデルの精度を改善し、確立された結果との整合性を確保することを実証する。
論文 参考訳（メタデータ） (2025-10-30T10:49:25Z) - Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot [44.336297829718795]
CATE-Bは,大規模言語モデル(LLM)をエージェントフレームワーク内で使用して,治療効果推定を通じてユーザを誘導する,オープンソースのコパイロットシステムである。
CATE-B は (i) 因果発見と LLM に基づくエッジオリエンテーションによる構造因果モデルの構築、 (ii) 因果構造とデータセット特性に適合した適切な回帰方法を選択することによるロバストな調整セットの同定を支援する。
論文 参考訳（メタデータ） (2025-08-14T12:20:51Z) - Argument-Centric Causal Intervention Method for Mitigating Bias in Cross-Document Event Coreference Resolution [12.185497507437555]
クロスドキュメントイベント参照解決(CD-ECR)は、複数のドキュメントにまたがるイベントの言及が、同じ実世界の出来事を指すかどうかを判断する。
本稿ではArgument-Centric Causal Intervention(ACCI)に基づく新しい手法を提案する。
ACCIは、引き起こし語摂動の因果的影響を定量化する反ファクト的推論モジュールと、意味論的根拠のある情報に対する高い感度を促進するために、引数認識拡張モジュールを統合する。
論文 参考訳（メタデータ） (2025-06-02T09:46:59Z) - Q-function Decomposition with Intervention Semantics with Factored Action Spaces [51.01244229483353]
元の作用空間の低次元射影部分空間上で定義されるQ-函数を考察し、分解されたQ-函数の不偏性について考察する。
これにより、標準モデルフリー強化学習アルゴリズムにおいて、予測Q関数を用いてQ関数を近似する動作分解強化学習と呼ばれる一般的なスキームが導かれる。
論文 参考訳（メタデータ） (2025-04-30T05:26:51Z) - Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。
本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
論文 参考訳（メタデータ） (2024-04-22T16:10:38Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。
現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。
本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文 参考訳（メタデータ） (2021-06-14T20:48:48Z)
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。