Fugu-MT 論文翻訳(概要): Semiparametric Inference for Conditional Shapley Feature Importance

論文の概要: Semiparametric Inference for Conditional Shapley Feature Importance

arxiv url: http://arxiv.org/abs/2609.10313v3
Date: Wed, 16 Sep 2026 08:16:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:53.369395
Title: Semiparametric Inference for Conditional Shapley Feature Importance
Title（参考訳）: 条件付きシェープの特徴重要度に対する半パラメトリック推論
Abstract要約: 本稿では, 条件定式化について検討し, その実条件分布の下で, 対数外特徴を積分する。そこで本研究では, K-fold cross-fitting とU-statistic correct of the squared loss intervalを提案する。ピンスカー型境界は、作業コプラクラスを誤って特定するバイアスを定量化し、ワインコプラは条件付きサンプリングが可能である。
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: Shapley values are widely used for post-hoc feature attribution, but most estimators return point quantities and do not quantify uncertainty, and popular implementations sample out-of-coalition features from their marginal distribution, which misattributes importance when features are dependent. This paper studies the conditional formulation, in which out-of-coalition features are integrated out under their true conditional distribution. The target is a global, loss-based importance that pairs a conditional value function with a SAGE-style loss aggregation. We propose a one-step estimator with K-fold cross-fitting and a U-statistic correction of the squared loss that removes the Monte Carlo bias of the naive plug-in; it is $\sqrt{n}$-consistent and asymptotically normal under double-robust rate conditions, and the resulting Wald interval attains nominal coverage. A Pinsker-type bound quantifies the bias from misspecifying the working copula class, while vine copulas keep conditional sampling tractable. In a Gaussian design study with n= 500, the empirical coverage of the 95% interval lies between 0.91 and 0.96 across all features, the test holds its Type-I rate at 0.05, and it reaches power one for moderate signals. Applied to the UCI Concrete and California Housing data, the method identifies the conditionally informative features with Bonferroni-controlled significance.
Abstract（参考訳）: 共有値はポストホックな特徴帰属に広く用いられているが、ほとんどの推定器は点数を返すが不確実性を定量化しない。本稿では, 条件定式化について検討し, その実条件分布の下で, 対数外特徴を積分する。ターゲットは、条件値関数とSAGEスタイルのロスアグリゲーションをペアにする、グローバルで損失ベースの重要度である。そこで我々は, K-fold cross-fitting と U-statistic correct of the squared loss that prevents the Monte Carlo bias of the naive plug-in; it is $\sqrt{n}$-consistent and asymptoryly normal under double-robust rate conditions, and the result Wald interval ables initial coverage。ピンスカー型境界は、作業コプラクラスを誤って特定するバイアスを定量化し、ワインコプラは条件付きサンプリングが可能である。 n=500のガウス設計研究において、95%間隔の試験的カバレッジはすべての特徴にわたって0.91から0.96であり、試験はタイプIレートを0.05とし、中程度の信号に対してパワー1に達する。 UCIコンクリートとカリフォルニア住宅のデータに適用し、ボンフェロニが制御する重要な条件情報の特徴を識別する。

関連論文リスト

Distribution-Free Conformal Prediction for Steel Fatigue Strength: Marginal Validity Is Not Enough [0.0]
鋼部品の疲労破壊を実験的に予測するには、複数の組成と処理条件をまたいだ試験が必要であるため、コストがかかる。 NIMS MatNavi鋼疲労データセットを用いた研究は、しばしば高い点予測精度を報告するが、総合誤差測定に依存する。本論文は, 鋼疲労強度に対する適合予測を初めて適用したものである。
論文参考訳（メタデータ） (2026-08-05T18:13:28Z)
K-ABENA: K-Adaptive Backpropagation with Error-based N-exclusion Algorithm : (Compensated Loss-Based Sample Exclusion with Unbiased Gradient Estimation) [0.0]
K-ABENAK-Adaptive Backpropagation with Error-based N-exclusionは選択的な計算フレームワークである。これは、少量の低損失("ミニ")観測を除外することで、イット当たりの計算トレーニングコストを削減する。ラベル制限下で0.386の精度(ベースライン:0.832)、極端な不均衡下で0.53のAUCに崩壊する。
論文参考訳（メタデータ） (2026-07-07T06:58:51Z)
Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
論文参考訳（メタデータ） (2026-04-11T10:47:22Z)
Outrigger local polynomial regression [0.15293427903448023]
本研究では,異なる条件付き誤差分布の分布適応性を実現するために,重み付き局所推定器を提案する。条件スコア推定の影響を安定化するために、より広いローカルウィンドウのデータを描画する。推定器がHlderクラスに対して最適であることは、乗法係数$A_,d$まで証明する。
論文参考訳（メタデータ） (2026-03-11T20:19:09Z)
Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文参考訳（メタデータ） (2024-10-17T16:42:12Z)
Target Networks and Over-parameterization Stabilize Off-policy Bootstrapping with Function Approximation [46.48569176651487]
オフ・プライシ・データにおいても,ブートストラップ値推定の収束条件が弱くなることを証明する。計算結果をトラジェクトリによる学習に拡張し、小さな修正を施した全てのタスクに対して収束が達成可能であることを示す。
論文参考訳（メタデータ） (2024-05-31T17:36:16Z)
TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文参考訳（メタデータ） (2023-10-29T09:54:03Z)
Adaptive Conformal Prediction by Reweighting Nonconformity Score [0.0]
我々は、QRF(Quantile Regression Forest)を用いて、不整合スコアの分布を学習し、QRFの重みを利用して、テストポイントに類似した残差を持つサンプルにより重要度を割り当てる。提案手法は,仮定のない有限標本境界範囲と訓練条件範囲を満足し,適切な仮定の下で条件付き範囲を確保できる。
論文参考訳（メタデータ） (2023-03-22T16:42:19Z)
Improving Conditional Coverage via Orthogonal Quantile Regression [12.826754199680472]
特徴空間のすべての領域にまたがるユーザ指定のカバレッジレベルを持つ予測区間を生成する手法を開発した。我々は損失関数を変更し、間隔の大きさと誤発見イベントの指標との間の独立性を促進する。いくつかの指標から, 改良された損失関数が条件付きカバレッジの向上につながることを実証的に示す。
論文参考訳（メタデータ） (2021-06-01T11:02:29Z)
Sparse Feature Selection Makes Batch Reinforcement Learning More Sample Efficient [62.24615324523435]
本稿では,スパース線形関数近似を用いた高次元バッチ強化学習(RL)の統計的解析を行う。候補となる機能が多数存在する場合,提案手法がバッチRLをより効率的にサンプリングできるという事実に光を当てる。
論文参考訳（メタデータ） (2020-11-08T16:48:02Z)
Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。