論文の概要: Explainability Assistant: A Conversational XAI Interface for Interpreting Energy Consumption Models

• arxiv url: http://arxiv.org/abs/2609.11860v1
• Date: Thu, 10 Sep 2026 17:40:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.459972
• Title: Explainability Assistant: A Conversational XAI Interface for Interpreting Energy Consumption Models
• Title（参考訳）: 説明可能性アシスタント:エネルギー消費モデル解釈のための会話型XAIインタフェース
• Abstract要約: エネルギー消費予測はますます複雑な機械学習(ML)モデルに依存している。 従来の説明可能な人工知能(XAI)技術はこの不透明さに対処するが、従来のXAIダッシュボードには相当な技術的専門知識が必要である。 本稿では,オープンソースの対話型XAIシステムであるExplainability Assistantを紹介する。 このシステムは、意図解析の精度94%を達成し、フレキシブルな自然言語インタラクションをサポートし、タスク固有の微調整なしで異なるML問題タイプに適応する。
• 参考スコア（独自算出の注目度）: 0.4499833362998488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Energy consumption forecasting relies on increasingly complex machine learning (ML) models, such as Genetic Programming-based symbolic regressors, whose predictions can be difficult for facility managers and building operators to interpret. Explainable Artificial Intelligence (XAI) techniques address this opacity, but traditional XAI dashboards require substantial technical expertise and provide limited flexibility for dynamic, context-aware inquiry. Conversational XAI systems offer a promising alternative; however, previous approaches, such as TalkToModel, were constrained by rigid custom grammars and achieved only 76.8% intent-parsing accuracy. This paper introduces the Explainability Assistant, an open-source conversational XAI system that leverages the function-calling capabilities of modern Large Language Models (LLMs) to overcome these limitations. The system achieves 94% intent-parsing accuracy, supports flexible natural language interaction, and adapts to different ML problem types without task-specific fine-tuning. We present the system's architecture and report results from a comparative evaluation conducted with energy domain specialists, contrasting the Explainability Assistant with a traditional XAI dashboard. The evaluation suggests improved usability and consistent task accuracy, with all experts unanimously preferring the conversational interface for practical use.
• Abstract（参考訳）: エネルギー消費予測は、遺伝的プログラミングに基づくシンボリック回帰器のような、ますます複雑な機械学習(ML)モデルに依存している。 説明可能な人工知能(XAI)技術はこの不透明さに対処するが、従来のXAIダッシュボードは相当な技術的専門知識を必要とし、動的でコンテキスト対応な調査に制限のある柔軟性を提供する。 会話型XAIシステムは有望な代替手段を提供するが、TalkToModelのような従来のアプローチは厳密なカスタム文法に制約され、76.8%のインテントパーシング精度しか達成しなかった。 本稿では,これらの制約を克服するために,現代大規模言語モデル(LLM)の関数呼び出し機能を活用する,オープンソースの対話型XAIシステムであるExplainability Assistantを紹介する。 このシステムは、意図解析の精度94%を達成し、フレキシブルな自然言語インタラクションをサポートし、タスク固有の微調整なしで異なるML問題タイプに適応する。 本稿では,エネルギ領域の専門家による比較評価の結果を,従来のXAIダッシュボードと対照的に提示する。 この評価は、ユーザビリティと一貫したタスク精度の向上を示唆しており、すべての専門家は、実用的な使用のために会話インターフェースを全会一致で好んでいる。

関連論文リスト

• Generative Explainability for Next-Generation Networks: LLM-Augmented XAI with Mutual Feature Interactions [1.139115821799478]
  既存の説明可能な人工知能(XAI)技術は、このギャップを非専門家に橋渡ししないことが多い。 本稿では,この問題に対処するためのフレームワークを提案する。 それは、人間の理解可能な自然言語の説明を生成するために、相互の機能相互作用データに富んだ構造化されたプロンプトを使用する。
  論文  参考訳（メタデータ） (2026-06-09T14:48:26Z)
• Beyond Explainable AI (XAI): An Overdue Paradigm Shift and Post-XAI Research Directions [95.59915390053588]
  本研究では、ディープニューラルネットワーク(DNN)と大規模言語モデル(LLM)に焦点をあてる、説明可能な人工知能(XAI)アプローチに焦点を当てる。 より深い根本原因に起因する致命的な症状(2つのパラドックス、2つの概念的混乱、5つの誤った仮定)について論じる。 XAIの限界を超えて、信頼性と認定されたAI開発に向けた4つのパラダイムシフトを提案する。
  論文  参考訳（メタデータ） (2026-02-27T16:58:27Z)
• Beyond single-model XAI: aggregating multi-model explanations for enhanced trustworthiness [43.25173443756643]
  本稿では,複数のモデルから抽出した特徴量集約を用いて,ロバスト性の役割について検討する。 予備的な結果は、複数のモデルの予測能力を活用しながら、アプリケーションの信頼性を高める可能性を示している。
  論文  参考訳（メタデータ） (2025-10-13T08:55:45Z)
• Generative Interfaces for Language Models [70.25765232527762]
  ユーザインタフェース(UI)を積極的に生成することにより,大規模言語モデル(LLM)がユーザクエリに応答するパラダイムを提案する。 本フレームワークは,ユーザクエリをタスク固有のUIに変換するために,構造化インターフェース固有の表現と反復的洗練を活用している。 その結果、生成的インタフェースは人間の嗜好を最大72%改善し、会話的インタフェースよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-08-26T17:43:20Z)
• Measuring User Understanding in Dialogue-based XAI Systems [2.4124106640519667]
  XAIの最先端は、単発、非個人化、一方通行の説明が特徴である。 本稿では,ユーザが学習しているモデルの予測をシミュレートして,3段階のユーザ理解を計測する。 我々は、高い理解率と低い理解率の集団間の相互作用のパターンを明らかにするために、データを分析した。
  論文  参考訳（メタデータ） (2024-08-13T15:17:03Z)
• SCENE: Evaluating Explainable AI Techniques Using Soft Counterfactuals [0.0]
  本稿では,新たな評価手法であるSCENE(Soft Counterfactual Evaluation for Natural Language Explainability)を紹介する。 トークンベースの置換に焦点を当てることで、SCENEは文脈的に適切で意味論的に意味のあるソフトカウンタブルを作成する。 SCENEは様々なXAI技法の強みと限界についての貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-08-08T16:36:24Z)
• XEdgeAI: A Human-centered Industrial Inspection Framework with Data-centric Explainable Edge AI Approach [2.0209172586699173]
  本稿では,新しいXAI統合視覚品質検査フレームワークを提案する。 我々のフレームワークはXAIとLarge Vision Language Modelを組み込んで人間中心の解釈可能性を提供する。 このアプローチは、重要な産業アプリケーションに信頼性と解釈可能なAIツールを広く採用する道を開くものだ。
  論文  参考訳（メタデータ） (2024-07-16T14:30:24Z)
• Usable XAI: 10 Strategies Towards Exploiting Explainability in the LLM Era [76.12435556140515]
  XAIは大規模言語モデル(LLM)の説明に向けて拡張されている 本稿では、XAIがLLMベースのAIシステムをどのように説明し、改善するかを分析する。 10の戦略を導入し、それぞれに重要なテクニックを導入し、関連する課題について議論します。
  論文  参考訳（メタデータ） (2024-03-13T20:25:27Z)
• XAI for All: Can Large Language Models Simplify Explainable AI? [0.0699049312989311]
  x-[plAIn]"は、カスタムのLarge Language Modelを通じて、XAIをより広く利用できるようにする新しいアプローチである。 我々の目標は、様々なXAI手法の明確で簡潔な要約を生成できるモデルを設計することであった。 使用事例調査の結果から,本モデルは理解し易く,観衆特有の説明を提供するのに有効であることが示された。
  論文  参考訳（メタデータ） (2024-01-23T21:47:12Z)
• How much informative is your XAI? A decision-making assessment task to objectively measure the goodness of explanations [53.01494092422942]
  XAIに対する個人化アプローチとユーザ中心アプローチの数は、近年急速に増加している。 ユーザ中心のXAIアプローチがユーザとシステム間のインタラクションに肯定的な影響を与えることが明らかとなった。 我々は,XAIシステムの良否を客観的かつ定量的に評価するための評価課題を提案する。
  論文  参考訳（メタデータ） (2023-12-07T15:49:39Z)
• Towards Human Cognition Level-based Experiment Design for Counterfactual Explanations (XAI) [68.8204255655161]
  XAI研究の重点は、より理解を深めるために、より実践的な説明アプローチに変わったようだ。 認知科学研究がXAIの進歩に大きく影響を与える可能性のある領域は、ユーザの知識とフィードバックを評価することである。 本研究では,異なる認知レベルの理解に基づく説明の生成と評価を実験する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-31T19:20:22Z)
• Connecting Algorithmic Research and Usage Contexts: A Perspective of Contextualized Evaluation for Explainable AI [65.44737844681256]
  説明可能なAI(XAI)を評価する方法に関するコンセンサスの欠如は、この分野の進歩を妨げる。 このギャップを埋める一つの方法は、異なるユーザ要求を考慮に入れた評価方法を開発することである、と我々は主張する。
  論文  参考訳（メタデータ） (2022-06-22T05:17:33Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)

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。