論文の概要: NObSP: Functional Decomposition of Neural Networks via Oblique Subspace Projections

• arxiv url: http://arxiv.org/abs/2609.17825v1
• Date: Tue, 15 Sep 2026 20:40:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.53884
• Title: NObSP: Functional Decomposition of Neural Networks via Oblique Subspace Projections
• Title（参考訳）: NObSP:斜め部分空間投影によるニューラルネットワークの機能分解
• Abstract要約: 提案するNObSPは,予測を機能毎の明示的なコントリビューション関数と相互作用残差に分解するフレームワークである。 NobSPはトレーニングされたネットワークの線形最終層を利用して、サンプル空間における斜め投影を用いて二重カウントを削減する。 畳み込みネットワークでは、NObSP-CAMは1回のキャリブレーション後に後方通過なしでクラスアクティベーションマップを生成する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding how deep neural networks make decisions remains a fundamental challenge. We present NObSP (Nonlinear Oblique Subspace Projections), a framework that decomposes predictions into explicit per feature contribution functions and an interaction residual. NObSP exploits the linear final layer of a trained network and uses oblique projections in sample space to reduce double counting when learned feature subspaces overlap, thereby supporting both local explanations and global functional analysis. We establish connections to functional ANOVA and the Kolmogorov-Arnold representation theorem and derive an efficient partial regression algorithm for out of sample evaluation. For convolutional networks, NObSP-CAM produces class activation maps without backward passes after a one time calibration. Experiments on tabular and vision benchmarks show faithfulness comparable to established attribution methods. On a synthetic benchmark with known component functions, NObSP obtains a Function Reproduction Score of 0.989, compared with 0.966 for KernelSHAP and 0.922 for Integrated Gradients. On TinyImageNet, contribution vector embeddings improve mean nearest neighbor class purity from 0.654 for raw activations to 0.713 and reduce mean neighbor distance by more than half. These results indicate that NObSP complements scalar attribution methods by recovering functional contribution profiles with separable positive and negative evidence.
• Abstract（参考訳）: ディープニューラルネットワークがどのように意思決定を行うかを理解することは、依然として根本的な課題である。 提案するNObSP(非線形斜め部分空間射影法)は,予測を特徴量毎の明示的な寄与関数と相互作用残差に分解するフレームワークである。 NObSPは、訓練されたネットワークの線形最終層を利用して、サンプル空間における斜め投影を用いて、学習された特徴部分空間が重なり合うときの倍数化を減らし、局所的な説明と大域的機能解析の両方をサポートする。 我々は,関数型ANOVAとコルモゴロフ・アルノルド表現定理との接続を確立し,サンプル評価から効率的に部分回帰アルゴリズムを導出する。 畳み込みネットワークでは、NObSP-CAMは1回のキャリブレーション後に後方通過なしでクラスアクティベーションマップを生成する。 表計算および視覚ベンチマークの実験は、確立された帰属法に匹敵する忠実さを示す。 既知の成分関数の合成ベンチマークでは、NObSPはKernelSHAPの0.966と統合勾配の0.922と比較して0.989の関数再現スコアを得る。 TinyImageNetでは、コントリビューションベクターの埋め込みにより、平均近傍のクラス純度が0.654から0.713に向上し、平均近傍距離が半分以上減少する。 以上の結果から,NObSPは機能的寄与プロファイルを分離可能な正および負のエビデンスで復元することにより,スカラー帰属法を補完することが明らかとなった。

関連論文リスト

• STRIDE: Subset-Free Functional Decomposition for XAI in Tabular Settings [0.0]
  私たちはSTRIDEを紹介します。これは"何"機能に答えるフレームワークですが、どのように"相互作用する"のかを明らかにすることができません。 また、学習した相互作用を分離し、その寄与を定量化する診断である「コンポーネント手術」も導入する。
  論文  参考訳（メタデータ） (2025-09-11T00:19:53Z)
• Stochastic Forward-Forward Learning through Representational Dimensionality Compression [14.020257767487323]
  本稿では, 2次統計構造を組み込むために, 変動するニューラルレスポンスの有効次元を用いた新しい良性関数次元圧縮を提案する。 本研究は, より生物学的に検証可能な学習アルゴリズムの開発に寄与し, ニューロモルフィックコンピューティングに自然に適合することが示唆された。
  論文  参考訳（メタデータ） (2025-05-22T13:19:29Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
  ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。 本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
  論文  参考訳（メタデータ） (2023-05-26T13:19:15Z)

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。