論文の概要: Breaking Predictions Is Not Enough: Specified-Foil Counterfactuals for Temporal Graphs

• arxiv url: http://arxiv.org/abs/2609.11170v1
• Date: Thu, 10 Sep 2026 07:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.241291
• Title: Breaking Predictions Is Not Enough: Specified-Foil Counterfactuals for Temporal Graphs
• Title（参考訳）: 予測を破るだけでは十分ではない: 時間グラフの特定事実
• Abstract要約: 時間グラフの反実的な説明は、通常、過去の出来事を変更して元の予測を変更したり無効にしたりする。 我々は、この目的地固有の質問を特定欠陥対策として定式化する。 連続時間動的グラフ上でのLiFTERと時間的知識グラフ上でのTLogicでこの原理をインスタンス化する。
• 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: Temporal graph counterfactual explanations typically change past events to change or invalidate an original prediction, while leaving its replacement unspecified. Yet a user facing a predicted outcome often asks which past conditions would make a particular alternative occur instead. We formulate this destination-specific question as the Specified-Foil Counterfactual: given an original prediction A and a foil B fixed before search, find a low-cost past-event intervention under which the same predictor selects B as top-ranked. Our trace-guided intervention search contrasts the completed execution of A with a reconstructed incomplete execution of B, maps their difference to DELETE, INSERT, REWIRE, RELABEL, and SHIFT operations, and verifies B through exact replay. We instantiate this principle with LiFTER on continuous-time dynamic graphs and TLogic on temporal knowledge graphs. On CTDGs, the method retains 85.7-93.6% of black-box greedy successes while reducing predictor evaluations by 75.0-80.0%; on TKGs, it reaches the specified foil in 74.8% of 600 comparisons. Executable traces thereby become computational structures for constructing conditions of unselected alternatives, rather than records used only to explain predictions already made.
• Abstract（参考訳）: 時間グラフの反実的な説明は、通常、過去の出来事を変更して元の予測を変更したり無効にしたりする。 しかし、予測された結果に直面したユーザは、どの過去の条件が特定の代替となるかを尋ねることが多い。 探索前に固定された元の予測AとホイルBが与えられた場合、同じ予測器がBを上位に選択する低コストの過去の介入を見つける。 我々のトレース誘導介入探索は、Aの完了した実行とBの再構成された不完全な実行とを対比し、それらの差をDELETE、INSERT、REWIRE、RELABEL、ShiFTにマップし、正確なリプレイによりBを検証する。 連続時間動的グラフ上でのLiFTERと時間的知識グラフ上でのTLogicでこの原理をインスタンス化する。 CTDGsでは、ブラックボックスのグリージー成功の85.7-93.6%を維持し、予測値の評価を75.0-80.0%削減し、TKGsでは、600の比較の74.8%で特定のホイルに達する。 したがって、実行可能なトレースは、既に作成された予測を説明するためにのみ使われるレコードではなく、選択されていない代替品の条件を構築するための計算構造となる。

関連論文リスト

• Failure-Guided Co-Evolution of Prompts and Training Data [4.138788468219125]
  我々は、プロンプトとトレーニングデータを共進化させるフェール誘導フレームワークであるFOGEを紹介する。 FORGEは不完全な実行を再利用可能な障害モードに抽象化し、新しいトレーニングデータを合成する。 FORGEは、最適化されていないベースラインに対する集計スコアを16.52ポイント改善し、評価されたAPOベースラインを全て上回ることを示す。
  論文  参考訳（メタデータ） (2026-09-14T08:29:47Z)
• From Recoverability to Functional Use: Auditing Temporal Reports in Time-Series Forecasting [10.481986290704821]
  正確な予測は時間的使用を正さないことを示す。 レポート制御ルーティングは、予測精度において観測された損失を伴わずに、レポート制御アライメントを大幅に改善する。
  論文  参考訳（メタデータ） (2026-08-11T03:30:36Z)
• DG-FedReuse: Proxy-Gradient-Gated Cached-Update Reuse with Matched Sparse Uplink Accounting [0.0]
  DG-FedReuseは、選択したクライアントがキャッシュされた更新にコントリビュートできるようにするシミュレータレベルのメカニズムである。 実験には、6つのイメージ分類データセット、50の仮想クライアント、Dirichletラベルクライアント、3つのシードが含まれている。 DG-FedReuseは83.36-85.42%のモデルで更新データフィールドのアップリンクを節約したが、Top-K FedAvgは76.88%だった。
  論文  参考訳（メタデータ） (2026-08-05T19:30:04Z)
• GradCuit: Credit-Assigned Gradient Flow Enables Robust and Interpretable Test-Time Latent Reasoning [61.67411833252235]
  本稿では,プロンプトの隠蔽表現と生成された継続の間に,選択したTransformer層に最適化可能な潜在状態を挿入するGradCuitを紹介する。 5つの命令調整されたバックボーン、3つの推論ベンチマーク、2つの回答フォーマットで、GradCuitの平均精度は64.5%である。 解釈可能性について、トークンレベルの勾配属性は、遅延の影響が推論・接続子トークンに集中していることを明らかにする一方、層解析は、初期から中間のトランスフォーマー層を最も効果的な最適化空間として認識する。
  論文  参考訳（メタデータ） (2026-08-03T17:55:24Z)
• From Affect Prediction to Affect Forecasting: Evidence for Distinct Information Sources in Longitudinal Text [2.2999148299770047]
  既存のアプローチでは、各テキストを独立した観察として扱い、両方のタスクに同様の仮定を適用することが多い。 本稿では、縦断的な自己報告エコロジーエッセイと感情語エントリを用いた区別について検討する。 その結果、テキスト意味論は現在の影響予測を支持しているのに対し、将来の感情変化は以前の数値軌道力学によりよりよく捉えられることがわかった。
  論文  参考訳（メタデータ） (2026-06-15T13:21:58Z)
• Self-Aware Vector Embeddings for Retrieval-Augmented Generation: A Neuroscience-Inspired Framework for Temporal, Confidence-Weighted, and Relational Knowledge [0.0]
  現代の検索拡張生成(RAG)システムは、ベクトル埋め込みを静的で文脈に依存しないアーティファクトとして扱う。 このフレームワークは,3つの明示的な特性 – 時間的認識,信頼の低下,関係的認識 – で密着な埋め込みを強化するものだ。
  論文  参考訳（メタデータ） (2026-04-22T14:13:50Z)
• RG-TTA: Regime-Guided Meta-Control for Test-Time Adaptation in Streaming Time Series [0.0]
  テスト時間適応(TTA)は、ニューラルネットワークの予測者がストリーミング時系列の分散シフトに適応できるようにする。 本稿では,従来の状態と分布類似性に基づいて適応強度を連続的に変調するメタコントローラであるRegime-Guided Test-Time Adaptation (RG-TTA)を提案する。
  論文  参考訳（メタデータ） (2026-03-29T18:57:34Z)
• Can We Predict Before Executing Machine Learning Agents? [74.39460101251792]
  データ中心のソリューション優先のタスクを形式化し、18,438対比較の包括的コーパスを構築する。 検証データ解析レポートを作成した場合, LLM は重要な予測能力を示すことを示す。 このフレームワークをForEAGENT(Predict-then-Verifyループを利用するエージェント)でインスタンス化し、実行ベースラインを+6%超えながらコンバージェンスを6倍高速化する。
  論文  参考訳（メタデータ） (2026-01-09T16:44:17Z)
• Accelerated Test-Time Scaling with Model-Free Speculative Sampling [58.69141724095398]
  STAND(Stochastic Adaptive N-gram Drafting)は,新しいモデルフリーな投機的デコード手法である。 従来の自己回帰復号法と比較して,STANDは推論遅延を60～65%削減することを示した。 モデルフリーのアプローチとして、STANDは追加のトレーニングなしで既存の言語モデルに適用できる。
  論文  参考訳（メタデータ） (2025-06-05T07:31:18Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• TEILP: Time Prediction over Knowledge Graphs via Logical Reasoning [14.480267340831542]
  本稿では,時間的要素を知識グラフ予測に自然に統合する論理的推論フレームワークTEILPを提案する。 まず、TKGを時間的事象知識グラフ(TEKG)に変換する。 最後に、条件付き確率密度関数を導入し、クエリ間隔を含む論理規則に関連付けて、時間予測に着く。
  論文  参考訳（メタデータ） (2023-12-25T21:54:56Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Ranking-based Adaptive Query Generation for DETRs in Crowded Pedestrian Detection [49.27380156754935]
  DETRのクエリの数は手動で調整しなければなりませんが、そうでなければ、パフォーマンスは様々な程度に低下します。 本稿では,ランクに基づく適応クエリ生成(RAQG)を提案し,問題を緩和する。 提案手法は単純かつ効果的であり,任意のDETRにプラグインすることで,理論上クエリ適応性を実現する。
  論文  参考訳（メタデータ） (2023-10-24T11:00:56Z)
• Embroid: Unsupervised Prediction Smoothing Can Improve Few-Shot Classification [20.85088711770188]
  ラベル付きデータを追加せずに即時学習を改善することができることを示す。 組込み関数の異なるデータセットの複数の表現を演算するEmbroidを提案する。 Embroidはオリジナルのプロンプトよりも性能が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-07-20T17:07:28Z)
• Event-Triggered Time-Varying Bayesian Optimization [47.30677525394649]
  本稿では,対象関数の変化を検出してデータセットをリセットするまで,最適化問題を静的に扱うイベントトリガーアルゴリズムET-GP-UCBを提案する。 これにより、アルゴリズムは正確な事前知識を必要とせずに、オンラインで時間変化を実現することができる。 時間的変化を正確に知ることなく、適応的リセットに対する後悔境界を導出し、ET-GP-UCBが合成データと実世界のデータの両方で競合するGP-UCBアルゴリズムより優れていることを示す数値実験を行った。
  論文  参考訳（メタデータ） (2022-08-23T07:50:52Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。