論文の概要: ProToMEx: Rapid, Interpretable Explanations via Structured Representations

• arxiv url: http://arxiv.org/abs/2609.04265v1
• Date: Wed, 02 Sep 2026 18:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.756075
• Title: ProToMEx: Rapid, Interpretable Explanations via Structured Representations
• Title（参考訳）: ProToMEx:構造化表現による高速かつ解釈可能な説明
• Abstract要約: 確率的トピックモデル(PTM)を活用した説明可能性の新しいパラダイムであるProToMExを紹介する。 我々のモデルに依存しないフレームワークは、分類の異なる高レベルな理由を表す潜在的な「トピック」を学習する。 ProToMExはSHAPやLIMEのような一般的な手法に匹敵する忠実さの説明を生成する。
• 参考スコア（独自算出の注目度）: 4.9856574965240545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing post-hoc explainers for machine learning classifiers primarily focus on feature attribution, assigning importance scores to individual features. While valuable, this approach struggles to articulate the complex, combinatorial patterns that often drive a model's decision-making process. To overcome this limitation, we introduce ProToMEx, a new paradigm for explainability that leverages Probabilistic Topic Models (PTMs). Our model-agnostic framework learns latent ''topics'' that represent distinct, high-level reasons for a classification, moving beyond simple feature importance to reveal underlying semantic structures. ProToMEx naturally provides both global explanations of a model's overall behaviour and local explanations that can disentangle multiple co-existing reasons for a specific prediction. We demonstrate empirically that ProToMEx not only produces explanations of comparable fidelity to popular methods like SHAP and LIME but also drastically reduces the amortised computational cost of generating local explanations, making it highly suitable for real-time applications. Specifically, we show that ProToMEx is ~30-40x faster than SHAP and LIME over standardised tabular datasets and synthetic datasets.
• Abstract（参考訳）: 機械学習分類器の既存のポストホック説明器は、主に特徴属性に焦点を当て、個々の特徴に重要なスコアを割り当てる。 このアプローチは価値はあるが、しばしばモデルの意思決定プロセスを駆動する複雑な組合せパターンを明確にするのに苦労する。 この制限を克服するために,確率的トピックモデル(PTM)を活用した説明可能性の新しいパラダイムであるProToMExを導入する。 我々のモデルに依存しないフレームワークは、分類の異なる高レベルな理由を表す潜伏した「トピック」を学習し、基礎となる意味構造を明らかにするための単純な特徴の重要さを超えた。 ProToMExは、モデル全体の振る舞いのグローバルな説明と、特定の予測のための複数の共存理由を解消できる局所的な説明の両方を自然に提供します。 本稿では, ProToMEx が SHAP や LIME などの一般的な手法に匹敵する忠実さの説明を生成できるだけでなく,局所的な説明を生成するための計算コストを大幅に削減し,リアルタイムアプリケーションに非常に適していることを示す。 具体的には,ProToMExは標準化された表付きデータセットや合成データセットよりもSHAPやLIMEよりも30～40倍高速であることを示す。

関連論文リスト

• ExplainReduce: Summarising local explanations via proxies [2.3185929089334594]
  XAIに対するしばしば使われるモデルに依存しないアプローチは、単純なモデルを局所的な近似として使用して、いわゆる局所的な説明を生成することである。 本稿は、局所的な説明の大規模な集合が、生成的グローバルな説明として機能する、単純なモデルの小さな"プロキシセット"に還元されることを示す。
  論文  参考訳（メタデータ） (2025-02-14T17:14:02Z)
• XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
  時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。 伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。 時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
  論文  参考訳（メタデータ） (2024-10-18T05:16:39Z)
• Explainability for Large Language Models: A Survey [59.67574757137078]
  大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。 本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
  論文  参考訳（メタデータ） (2023-09-02T22:14:26Z)
• CLIMAX: An exploration of Classifier-Based Contrastive Explanations [5.381004207943597]
  我々は,ブラックボックスの分類を正当化する対照的な説明を提供する,ポストホックモデルXAI手法を提案する。 CLIMAXと呼ばれる手法は,局所的な分類法に基づく。 LIME, BayLIME, SLIMEなどのベースラインと比較して, 一貫性が向上することを示す。
  論文  参考訳（メタデータ） (2023-07-02T22:52:58Z)
• Understanding Masked Autoencoders via Hierarchical Latent Variable Models [109.35382136147349]
  Masked Autoencoder (MAE) は近年,様々な視覚タスクにおいて顕著な成功を収めている。 MAEに関する興味深い経験的観察の出現にもかかわらず、理論的に原理化された理解はいまだに欠如している。
  論文  参考訳（メタデータ） (2023-06-08T03:00:10Z)
• Understanding Post-hoc Explainers: The Case of Anchors [6.681943980068051]
  本稿では,テキストの判断を説明するために,少数の単語群をハイライトする規則に基づく解釈可能性法の理論解析を行う。 アルゴリズムを定式化し有用な洞察を提供した後、数学的にアンカーが有意義な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-03-15T17:56:34Z)
• Streamlining models with explanations in the learning loop [0.0]
  いくつかの説明可能なAIメソッドにより、機械学習ユーザーはブラックボックスモデルの分類プロセスに関する洞察を得ることができる。 この情報を利用して機能エンジニアリングフェーズを設計し、説明と機能バリューを組み合わせる。
  論文  参考訳（メタデータ） (2023-02-15T16:08:32Z)
• 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)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
  この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。 言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
  論文  参考訳（メタデータ） (2022-01-08T00:47:50Z)
• Partial Order in Chaos: Consensus on Feature Attributions in the Rashomon Set [50.67431815647126]
  ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。 この手法により局所的・言語的特徴の半順序が生じることを示す。 これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
  論文  参考訳（メタデータ） (2021-10-26T02:53:14Z)
• A Modified Perturbed Sampling Method for Local Interpretable Model-agnostic Explanation [35.281127405430674]
  LIME(Local Interpretable Model-Agnostic Explanation)は、任意の分類器の予測を忠実に説明する手法である。 本稿では,LIME (MPS-LIME) のための改良型摂動サンプリング操作を提案する。 画像分類において、MPS-LIMEはスーパーピクセル画像を非方向グラフに変換する。
  論文  参考訳（メタデータ） (2020-02-18T09:03:10Z)

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。