論文の概要: Solving Hard XAI Queries Based on a Compiled Dual-Rail Encoding

• arxiv url: http://arxiv.org/abs/2609.04931v1
• Date: Fri, 04 Sep 2026 09:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.995077
• Title: Solving Hard XAI Queries Based on a Compiled Dual-Rail Encoding
• Title（参考訳）: コンパイルされたデュアルレイル符号化に基づくハードXAIクエリの解法
• Abstract要約: 現実のアプリケーションにおける人工知能(AI)の採用は、その信頼性に関する多くの懸念を引き起こしている。 eXplainable AI(XAI)の分野は、AIシステムによる決定について、ユーザに説明を提供することを目的として登場した。
• 参考スコア（独自算出の注目度）: 7.088503833248158
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The widespread adoption of artificial intelligence (AI) within real-world applications has raised a lot of concerns regarding their trustworthiness, especially in critical applications. The field of eXplainable AI (XAI) has emerged with the objective of providing explanations to the users about the decisions made by AI systems. Several explanations for boolean classifiers have been introduced in the literature, including abductive and contrastive explanations, each giving a different insight on the decision of the classifier. However, computing an explanation for a decision of a boolean classifier is a hard problem in general. One way to deal with this complexity is to rely on a compiled representation of the classifier for which each explanation can be computed efficiently. Unfortunately, we prove in this paper that several classes of abductive explanations, remain hard to compute even for Ordered Binary Decision Diagrams, one of the most tractable subsets of the knowledge compilation map. Included in such classes are shorter abductive explanations or abductive explanations that include the explainee's preferences. To recover the benefits of working with compiled representations, we show that a proper representation of the dual-rail encoding of the classifier can be used to compute efficiently these classes of explanations.
• Abstract（参考訳）: 現実世界のアプリケーションにおける人工知能(AI)の普及は、信頼性、特にクリティカルなアプリケーションにおいて、多くの懸念を引き起こしている。 eXplainable AI(XAI)の分野は、AIシステムによる決定について、ユーザに説明を提供することを目的として登場した。 ブール分類器に関するいくつかの説明が文献で紹介されており、それぞれが分類器の決定について異なる洞察を与えている。 しかし、ブール分類器の決定に関する説明を計算することは、一般に難しい問題である。 この複雑さに対処する1つの方法は、各説明を効率的に計算できる分類器のコンパイルされた表現に依存することである。 残念ながら、本論文では、知識コンパイルマップの最も難解な部分集合である順序付き二項決定図でさえも、いくつかの帰納的説明のクラスは計算が困難であることを証明している。 このようなクラスに含まれるのは、短い誘惑的な説明や、説明人の好みを含む誘惑的な説明である。 コンパイルされた表現を扱う利点を回復するために、分類器のデュアルレール符号化の適切な表現を用いて、これらの説明のクラスを効率的に計算できることを示す。

関連論文リスト

• ExplAIner: A Declarative Query Language for Explaining Classification Models [12.44009629083712]
  我々はExplAInerと呼ばれるブラックボックスモデルを説明するための宣言型クエリ言語を開発した。 ExplAInerは、帰納的、コントラスト的、特徴ベース、距離ベースのクエリなど、幅広い説明概念を表現できることを示す。 また,厳密な部分順序に関して最小限の計算説明を行うために,ExplAInerの最適化指向のフラグメントであるOps-FOILを導入する。
  論文  参考訳（メタデータ） (2026-07-07T15:36:51Z)
• On the Hardness of Computing Counterfactual and Semifactual Explanations in XAI [5.172213041663734]
  多くの場合、説明の生成は計算的に困難であることが示される。 我々は、XAIコミュニティと、AIにおける説明の規制を求める政策立案者との関係について論じる。
  論文  参考訳（メタデータ） (2026-01-14T13:02:24Z)
• Informative Post-Hoc Explanations Only Exist for Simple Functions [12.017822772474576]
  本稿では、意思決定機能に関する情報を提供するための説明のための、一般的な学習理論に基づくフレームワークを紹介する。 複雑な決定関数に適用した場合,多くの一般的な説明アルゴリズムは有益ではないことを示す。 我々は、これらのアルゴリズムの実用性、特に監査、規制、AIのリスクの高い応用に強く影響していると論じている。
  論文  参考訳（メタデータ） (2025-08-15T12:46:18Z)
• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  カリキュラムベースの論理認識型チューニングフレームワークであるLACTを提案する。 具体的には、任意の一階論理クエリをバイナリツリー分解によって拡張する。 広く使われているデータセットに対する実験では、LATは高度な手法よりも大幅に改善(平均+5.5% MRRスコア)し、新しい最先端技術を実現している。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
  容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。 正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。 提案手法であるPremiseが実際によく動作することを示す。
  論文  参考訳（メタデータ） (2023-11-18T00:24:26Z)
• On Computing Probabilistic Abductive Explanations [30.325691263226968]
  最も広く研究されているAI(XAI)アプローチは正しくない。 PI説明は重要な欠点も示しており、最も目に見えるものはおそらくその大きさである。 本稿では,多くの広く使用されている分類器に対して,関連する集合を計算するための実践的アプローチについて検討する。
  論文  参考訳（メタデータ） (2022-12-12T15:47:10Z)
• Complementary Explanations for Effective In-Context Learning [77.83124315634386]
  大規模言語モデル (LLM) は、説明のインプロンプトから学習する際、顕著な能力を示した。 この研究は、文脈内学習に説明が使用されるメカニズムをよりよく理解することを目的としている。
  論文  参考訳（メタデータ） (2022-11-25T04:40:47Z)
• On Deciding Feature Membership in Explanations of SDD & Related Classifiers [0.685316573653194]
  この論文は、幅広い分類器のクラスに対してSigmaP$に対して、特徴メンバシップ問題(FMP)が難しいことを示している。 本稿では,SDD(Sentential Decision Diagrams)と他の命題言語に代表される分類器の命題符号化を提案する。
  論文  参考訳（メタデータ） (2022-02-15T16:38:53Z)
• Discrete Reasoning Templates for Natural Language Understanding [79.07883990966077]
  我々は,複雑な質問をより単純な質問に分解する手法を提案する。 事前定義された推論テンプレートの指示に従って最終回答を導出する。 我々のアプローチは、解釈可能でありながら最先端技術と競合し、監督をほとんど必要としないことを示す。
  論文  参考訳（メタデータ） (2021-04-05T18:56:56Z)
• This is not the Texture you are looking for! Introducing Novel Counterfactual Explanations for Non-Experts using Generative Adversarial Learning [59.17685450892182]
  反実用説明システムは、入力画像を変更して反実用推論を可能にする。 本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。 その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-12-22T10:08:05Z)
• SCOUT: Self-aware Discriminant Counterfactual Explanations [78.79534272979305]
  対物的視覚的説明の問題点を考察する。 新しい差別的な説明の族が紹介される。 結果として生じる反実的な説明は、最適化が自由で、従って以前の方法よりもはるかに高速である。
  論文  参考訳（メタデータ） (2020-04-16T17:05:49Z)

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。