Fugu-MT 論文翻訳(概要): Probabilistic Linear Explanations

論文の概要: Probabilistic Linear Explanations

arxiv url: http://arxiv.org/abs/2609.19077v1
Date: Wed, 16 Sep 2026 17:18:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:53.916544
Title: Probabilistic Linear Explanations
Title（参考訳）: 確率線形説明法
Abstract要約: 固定線形モデルに基づく確率的説明可能性のための統一的なフレームワークを提案する。このような説明に対する関連性誤差を最小化することは、基礎となるモデルがニューラルネットワークである場合にクラスNPPPハードであることを示す。提案手法は, 建設によるアンカー制約とスパーシティ制約の両方を満足するが, 常に低い関連性誤差を達成できることを示す。
参考スコア（独自算出の注目度）: 5.837416467257757
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Formal explainability provides mathematically grounded justifications for individual predictions. However, abductive explanations often exceed human cognitive limits by involving too many features, while probabilistic relaxations have remained largely limited to categorical classification. We present a unified framework for probabilistic explainability based on sparse, anchored linear models, applicable to both binary classification and continuous regression. By mapping instances to the Boolean hypercube, our linear explanations strictly generalize subset-based approaches: they capture both the magnitude and direction of feature contributions while enforcing a prescribed sparsity budget $k$. We show that minimizing the relevance error for such explanations is \ClassNPPP-hard when the underlying model is a neural network, and we relate this intractable objective to a tractable surrogate---the fidelity error. For a parameterized family of local distributions, the relevance error of any $k$-sparse explanation is bounded by its fidelity error up to a multiplicative factor that remains small locally. We address the resulting empirical problem using two complementary approaches: a Mixed Integer Programming (MIP) formulation that yields provably optimal empirical solutions while maintaining polynomial sample complexity, and a polynomial-time Iterative Hard Thresholding (IHT) algorithm with provable approximation guarantees. Empirical evaluations show that, unlike state-of-the-art baselines such as LIME and MAPLE, our explanations satisfy both the anchoring and sparsity constraints by construction, while consistently achieving lower relevance error.
Abstract（参考訳）: 形式的説明性は、個々の予測に対して数学的に根拠付けられた正当化を与える。しかし、帰納的説明は多すぎる特徴を伴って人間の認知限界を超えることが多いが、確率的緩和は分類学的な分類に限られている。本稿では,二項分類と連続回帰の両方に適用可能なスパース,アンカー付き線形モデルに基づく確率的説明可能性の統一的フレームワークを提案する。インスタンスをブールハイパーキューブにマッピングすることで、我々の線形説明は、サブセットベースのアプローチを厳密に一般化する。このような説明に対する関連性誤差の最小化は、基礎となるモデルがニューラルネットワークであるときに \ClassNPPP-hard であることが示され、この難解な目的を抽出可能なサロゲート、すなわち忠実度エラーに関連付ける。局所分布のパラメータ化された族に対して、$k$スパースな説明の関連性誤差は、その忠実度誤差によって局所的に小さい乗法係数に制限される。 2つの相補的なアプローチを用いて、多項式サンプルの複雑性を維持しながら証明可能な最適経験解が得られる混合整数計画法(MIP)と、証明可能な近似保証付き多項式時間反復ハード閾値法(IHT)アルゴリズムを用いて、得られた経験的問題に対処する。実証評価の結果,LIME や MAPLE のような最先端のベースラインとは違って,我々の説明は構築によるアンカリング制約とスパーシリティ制約の両方を満足するが,信頼性の低下は一貫して達成できることがわかった。

関連論文リスト

Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators [51.771100367755544]
本稿では,既存手法の帰納バイアスとデータ構造とのミスマッチに対処する幾何学的視点を提案する。具体的には、正規サンプルの多様体上の射影作用素を学習し、この射影によって変更される場合、サンプルを異常として定義する。特に、プロジェクション品質の観点から、その成功と失敗を説明することによって、再構築に基づく手法の統一的な解釈を提供する。
論文参考訳（メタデータ） (2026-06-13T12:37:20Z)
The Paradox of Outcome Optimization: A Causal Information-Theoretic Bound on Reasoning Shortcuts in LLMs [5.802098323678549]
結果に基づく強化学習(RL)を通じて整列された大規模言語モデル(LLM)は、しばしば重大な障害モードを示す。我々は,このパラドックスを説明するために,構造因果モデル(SCM)と情報ボトルネック(IB)の原理をブリッジする理論的枠組みを確立する。
論文参考訳（メタデータ） (2026-05-30T11:06:13Z)
Nonparametric Identification and Inference for Counterfactual Distributions with Confounding [6.997978440999076]
本研究では,非パラメトリック同定と半パラメトリック推定法を提案する。古典的半パラメトリック理論を現代的な表現学習でブリッジすることで、この研究は複雑な因果系における分布的および反ファクト的推論の頑健な統計基盤を提供する。
論文参考訳（メタデータ） (2026-02-17T05:00:13Z)
Robust low-rank estimation with multiple binary responses using pairwise AUC loss [0.0]
複数のバイナリ応答は、多くの現代のデータ分析問題に現れる。低ランクモデルはタスク間の遅延依存をエンコードする自然な方法を提供する。既存のバイナリデータの方法は概ね可能性ベースであり、ポイントワイズ分類に重点を置いている。
論文参考訳（メタデータ） (2026-01-13T15:00:10Z)
Non-asymptotic error bounds for probability flow ODEs under weak log-concavity [6.661419982187023]
この研究は、確率フローODEの一般クラスに対して、2-ワッサーシュタイン距離における非漸近収束境界を確立する。この結果は収束理論を、より現実的なデータ分布と実用的なODEソルバに拡張する。
論文参考訳（メタデータ） (2025-10-20T14:54:38Z)
Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
論文参考訳（メタデータ） (2024-08-25T04:07:18Z)
Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
論文参考訳（メタデータ） (2024-07-24T12:00:30Z)
A unified error analysis for randomized low-rank approximation with application to data assimilation [39.47298454012977]
中心行列および非標準行列に対するフロベニウスノルムにおける低ランク近似誤差の解析のための統一的なフレームワークを提案する。最小限の仮定の下では、期待と確率の正確な境界を導出する。私たちの境界には、プロパティを導出し、実践的な選択を動機付けるための明確な解釈があります。
論文参考訳（メタデータ） (2024-05-08T04:51:56Z)
Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文参考訳（メタデータ） (2022-01-21T02:46:57Z)
Predicting Unreliable Predictions by Shattering a Neural Network [145.3823991041987]
線形ニューラルネットワークは、サブファンクションに分割することができる。サブファンクションは、独自のアクティベーションパターン、ドメイン、経験的エラーを持っている。完全なネットワークに対する経験的エラーは、サブファンクションに対する期待として記述できる。
論文参考訳（メタデータ） (2021-06-15T18:34:41Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。