論文の概要: Explanations-Driven Active Feature Acquisition for Algorithmic Recourse
- arxiv url: http://arxiv.org/abs/2609.12179v1
- Date: Thu, 10 Sep 2026 20:14:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.537657
- Title: Explanations-Driven Active Feature Acquisition for Algorithmic Recourse
- Title（参考訳）: 説明駆動型能動特徴獲得によるアルゴリズム学習
- Abstract要約: マルコフ・ブランケット理論を用いて、反実的、半実的、そして異端的な説明を統一する。
本稿では,説明駆動型特徴獲得法(EDFA)を提案する。
ニューラルネットワークベースの予測モデルを用いた7つの公開データセットの実験は、EDFAが最先端のAFAベースラインよりも大幅に少ない機能を取得することを示している。
- 参考スコア（独自算出の注目度）: 1.1852406625172216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Algorithmic recourse methods typically assume that a predictive model has access to all features of an individual. In practice, decisions are often made with partial information, because features are costly to acquire. Active feature acquisition addresses cost-constrained prediction, but existing methods are explanation-agnostic: prior work provides explanations only after acquiring additional features, rather than using explanations to drive acquisition. This work flips that and treats algorithmic recourse and feature acquisition jointly. We use Markov Blanket theory to unify counterfactual, semifactual, and alterfactual explanations and to characterize how available recourse grows as features are acquired. Building on this framework, we propose an Explanation-Driven Feature Acquisition (EDFA) method that selects features by explanatory value per unit cost. The framework is further extended with distribution-free validity guarantees for recourse issued from partial information, which signal trustworthy, lower-cost recourse, along with a lower bound on the calibration data required to certify them. Experiments on 7 publicly available datasets with neural network-based predictive models show that EDFA acquires substantially fewer features than state-of-the-art AFA baselines while maintaining comparable accuracy and yielding more decision-relevant, actionable recourse. The implementation is available on GitHub.
- Abstract（参考訳）: アルゴリズム的リコース法は通常、予測モデルは個人のすべての特徴にアクセス可能であると仮定する。
実際には、機能を取得するのにコストがかかるため、決定は部分的な情報で行われることが多い。
アクティブ機能獲得はコスト制約のある予測に対処するが、既存の手法は説明に依存しない。
この作業はアルゴリズムのリコースと機能獲得を両立させ、扱います。
マルコフ・ブランケット理論を用いて、反実的、半実的、そして異端的な説明を統一し、特徴が獲得されるにつれて利用可能なリコースがどのように成長するかを特徴づける。
この枠組みに基づいて,説明駆動型特徴獲得法(EDFA)を提案する。
フレームワークはさらに、部分的な情報から発行されたリコースに対する配布不要の妥当性保証により拡張され、信頼性が高く低コストなリコースと、それらを認証するために必要なキャリブレーションデータに対する低いバウンドが示される。
ニューラルネットワークベースの予測モデルを用いた7つの公開データセットの実験は、EDFAが最先端のAFAベースラインよりも大幅に少ない機能を取得しながら、同等の精度を維持し、意思決定に関連性があり、実行可能なリコースをもたらすことを示している。
実装はGitHubで公開されている。
関連論文リスト
- Information Templates: A New Paradigm for Intelligent Active Feature Acquisition [4.607145155913716]
アクティブ機能取得(英: Active Feature acquisition、AFA)は、テスト時にどの機能を取得するかを順次選択する計算適応型インスタンスパラダイムである。
我々は、機能テンプレートの小さなライブラリを学習し、このライブラリを使用して次の機能取得をガイドする非階層フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-25T18:15:11Z) - Features that Make a Difference: Leveraging Gradients for Improved Dictionary Learning [4.051777802443125]
スパースオートエンコーダ(SAE)は、ニューラルネットワーク表現を抽出するための有望なアプローチである。
我々は、TopKアクティベーション関数を増強することにより、$k$-sparseのオートエンコーダアーキテクチャを変更するGradient SAEを紹介する。
g-SAEが任意の文脈でモデルを操る上で平均的に効果的である潜伏者を学ぶ証拠が見つかる。
論文 参考訳（メタデータ） (2024-11-15T18:03:52Z) - Local Feature Selection without Label or Feature Leakage for Interpretable Machine Learning Predictions [15.811319240038603]
ラベルと特徴リークの概念を定式化することで、ミスリード選択の問題に対処する。
本稿では,SUWRと呼ばれるリークがないことを示す,最初の局所特徴選択手法を提案する。
実験結果から,SUWRは過度に適合する傾向が低く,最先端の予測性能と高い特徴選択間隔を併せ持つことが明らかとなった。
論文 参考訳（メタデータ） (2024-07-16T14:36:30Z) - Spurious Feature Eraser: Stabilizing Test-Time Adaptation for Vision-Language Foundation Model [86.9619638550683]
視覚言語基礎モデルは、画像とテキストのペアデータに拡張性があるため、多数の下流タスクで顕著な成功を収めている。
しかし、これらのモデルは、決定ショートカットの結果、きめ細かな画像分類などの下流タスクに適用した場合に重大な制限を呈する」。
論文 参考訳（メタデータ） (2024-03-01T09:01:53Z) - Evaluation of Active Feature Acquisition Methods for Time-varying Feature Settings [6.082810456767599]
機械学習の手法は、入力機能が無償で利用できると仮定することが多い。
機能性の獲得が有害な分野である医療のような領域では、機能の獲得と予測的肯定性とのバランスをとる必要がある。
能動的特徴獲得性能評価(AFAPE)の問題点について述べる。
論文 参考訳（メタデータ） (2023-12-03T23:08:29Z) - XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。
XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。
6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
論文 参考訳（メタデータ） (2023-10-09T08:07:04Z) - Mitigating Algorithmic Bias with Limited Annotations [65.060639928772]
機密属性が公開されていない場合、バイアスを軽減するために、トレーニングデータの小さな部分を手動でアノテートする必要がある。
本稿では,アルゴリズムバイアスの影響を最大限に排除するために,限定アノテーションを誘導する対話型フレームワークであるアクティブペナライゼーション・オブ・差別(APOD)を提案する。
APODは完全なアノテートバイアス緩和と同等のパフォーマンスを示しており、機密情報が制限された場合、APODが現実世界のアプリケーションに利益をもたらすことを実証している。
論文 参考訳（メタデータ） (2022-07-20T16:31:19Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳（メタデータ） (2022-05-31T04:57:06Z) - Fine-Grained Neural Network Explanation by Identifying Input Features
with Predictive Information [53.28701922632817]
入力領域における予測情報を用いて特徴を識別する手法を提案する。
我々の手法の中核となる考え方は、予測潜在機能に関連する入力機能のみを通過させる入力のボトルネックを活用することである。
論文 参考訳（メタデータ） (2021-10-04T14:13:42Z) - Towards Unifying Feature Attribution and Counterfactual Explanations:
Different Means to the Same End [17.226134854746267]
本稿では,一組の反実例から特徴帰属説明を生成する手法を提案する。
本報告では, 帰属に基づく説明の妥当性を, その必要性と充足性の観点から評価するために, 対実例をいかに活用するかを示す。
論文 参考訳（メタデータ） (2020-11-10T05:41:43Z) - Active Learning for Coreference Resolution using Discrete Annotation [76.36423696634584]
我々は、コア参照解決におけるアクティブラーニングのためのペアワイズアノテーションを改善した。
提案された参照ペアがコアフェレントでないと判断された場合、アノテータに参照アンテセントを識別するよう依頼する。
既存のベンチマークコアベンチマークデータセットを用いた実験では、この追加質問からの信号が人間のアノテーション時間当たりの大幅なパフォーマンス向上につながることが示された。
論文 参考訳（メタデータ） (2020-04-28T17:17:11Z)
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。