論文の概要: AVCG: A Generalized Variational Framework for Counterfactual Generation under Hypothesis Distributions
- arxiv url: http://arxiv.org/abs/2609.07917v1
- Date: Mon, 07 Sep 2026 19:30:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.504362
- Title: AVCG: A Generalized Variational Framework for Counterfactual Generation under Hypothesis Distributions
- Title（参考訳）: AVCG:仮説分布下での対実生成のための一般化された変分フレームワーク
- Abstract要約: 対実的な説明は、望ましい代替の予測を得る入力インスタンスの変更を特定することで、"What-if"のシナリオを説明します。
伝統的に、これらのアプローチは単一の決定論的ポイント推定予測器に依存している。
本稿では,任意の仮説に対する最適化として反事実生成を形式化する一般化フレームワークであるAmortized Variational Counterfactual Generator (AVCG)を提案する。
- 参考スコア（独自算出の注目度）: 41.99844472131922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Counterfactual explanations formalize "what-if" scenarios by identifying modifications to an input instance that obtain a desired alternative prediction. Traditionally, whether generated via instance-specific optimization or amortized single pass models, these approaches rely on a single, deterministic point-estimate predictor. However, this ignores predictive uncertainty and hypothesis variability, leading to brittle explanations that frequently become invalid if the underlying model is retrained or updated. To address this fragility, we propose the Amortized Variational Counterfactual Generator (AVCG), a generalized optimization framework that formulates counterfactual generation as optimization over an arbitrary distribution of plausible predictive hypotheses rather than a single deterministic predictor. This formulation naturally accommodates Bayesian posteriors, Rashomon-restricted hypothesis spaces, and other uncertainty representations within a unified optimization framework. Evaluation across multiple benchmark datasets demonstrates that the AVCG framework produces counterfactual explanations that remain highly valid under predictive uncertainty and model changes, while maintaining competitive plausibility and single-pass runtime performance.
- Abstract（参考訳）: 対実的な説明は、望ましい代替の予測を得る入力インスタンスへの修正を特定することで、"What-if"シナリオを形式化する。
伝統的に、インスタンス固有の最適化や償却シングルパスモデルによって生成されるかに関わらず、これらのアプローチは単一の決定論的ポイント推定予測器に依存している。
しかし、これは予測の不確実性や仮説の変動を無視し、基礎となるモデルが再訓練されたり更新されたりするとしばしば無効になる不安定な説明につながる。
この脆弱性に対処するために,一つの決定論的予測器ではなく,任意の確率的予測仮説の分布に対する最適化として,反事実生成を定式化する一般化最適化フレームワークであるAmortized Variational Counterfactual Generator (AVCG)を提案する。
この定式化は、ベイズ的後部、ラショモン制限された仮説空間、および統一最適化フレームワーク内の他の不確実性表現を自然に許容する。
複数のベンチマークデータセットに対する評価は、AVCGフレームワークが予測の不確実性とモデル変更の下で高い有効性を保ちながら、競合する妥当性と単一パス実行時のパフォーマンスを維持しながら、反実的な説明を生成することを示している。
関連論文リスト
- Smart predict-then-robustly-optimize [0.5161531917413708]
本稿では,スマート予測最適化手法のロバストな変種を提案し,検討する。
私たちのフレームワークは、標準メソッドよりも大幅にパフォーマンスが向上します。
論文 参考訳（メタデータ） (2026-07-23T19:37:17Z) - Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。
本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-24T07:31:55Z) - Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework [8.124770608442377]
統計的決定問題として適応プーリングを定式化する。
我々は,いつ,どのように専門化を適用すべきかを決定する検証駆動型フレームワークを提案する。
大規模トラフィックデータセットの実験では、強いベースラインよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-04-15T11:35:32Z) - Minimum Volume Conformal Sets for Multivariate Regression [44.99833362998488]
等角予測は、有限サンプルの妥当性を持つ予測集合を構築するための原則化された枠組みを提供する。
本稿では,最小整合被覆集合を直接学習する新しい損失関数に基づく最適化駆動フレームワークを提案する。
提案手法は, 任意のノルム球によって定義された予測集合を最適化し, 単ノルムおよび多ノルムの定式化を含む。
論文 参考訳（メタデータ） (2025-03-24T18:54:22Z) - Generative Conformal Prediction with Vectorized Non-Conformity Scores [6.059745771017814]
コンフォーマル予測は、保証されたカバレッジでモデルに依存しない不確実性定量化を提供する。
ベクトル化された非整合性スコアを持つ生成共形予測フレームワークを提案する。
我々は密度ランクの不確かさ球を用いた適応不確かさ集合を構築する。
論文 参考訳（メタデータ） (2024-10-17T16:37:03Z) - Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
生成モデルは出力に対する厳密な統計的保証を欠いている。
厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。
このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
論文 参考訳（メタデータ） (2024-10-02T15:26:52Z) - Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors [1.3812010983144802]
本研究は,適応整形推論(ACI)の望ましい性質が整形予測器(CP)の使用を必要としないことを示す。
非互換信頼予測器(NCCP)の非交換データに対するACI使用時のCPに対する性能を実証的に検討した。
論文 参考訳（メタデータ） (2024-09-23T21:02:33Z) - Conformalized Selective Regression [2.3964255330849356]
共形予測を利用した選択回帰手法を提案する。
提案手法は, 選択回帰に適合し, 複数の最先端ベースラインに対して有利であることを示す。
論文 参考訳（メタデータ） (2024-02-26T04:43:50Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。
deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。
カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文 参考訳（メタデータ） (2023-07-06T04:13:57Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳（メタデータ） (2021-09-07T09:38:24Z) - Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
本稿では、因果的観点からの包括的ミニマックス分析について述べる。
最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。
本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
論文 参考訳（メタデータ） (2021-07-05T09:07:29Z)
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。