論文の概要: FCx: An algorithm for finding Feasible Counterfactual Explanations

• arxiv url: http://arxiv.org/abs/2609.19383v1
• Date: Wed, 16 Sep 2026 20:02:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.994261
• Title: FCx: An algorithm for finding Feasible Counterfactual Explanations
• Title（参考訳）: FCx: 実現可能な非現実的説明を見つけるアルゴリズム
• Abstract要約: 対実的(CF)説明は、入力の分類を変える変化を特定する。 我々は、実現可能性を明確に強制するCF説明の洗練を導入する。 私たちのアプローチは、現実的で低コストで実現可能なCFを効率的に生成する最初の方法です。
• 参考スコア（独自算出の注目度）: 2.081605464635981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual (CF) explanations identify changes that alter an input's classification. While existing methods produce realistic and low-cost CFs, they often fail to ensure feasibility, by suggesting non-constructive modifications or incompatible with future changes (e.g., changing an individual's race to secure a job offer). We introduce a refinement of CF explanations that explicitly enforces feasibility. Our approach is the first to efficiently generate CFs that are realistic, low-cost and feasible. We accommodate both hard feasible constraints, specified by domain knowledge users, and soft feasible constraints, inferred automatically via causal inference from the dataset. Our method, Feasible Counterfactual Explanations (FCx), is based on a modified Variational Autoencoder (VAE) optimized with a multi-factor loss function. We measure the cost of a change based on the absolute change in values (proximity) as well as the number of features changed (sparsity) while realism is measured based on the LOF for density estimation, guaranteeing that CFs reside in densely populated regions. Extensive experiments on four public datasets show that our approach matches state-of-the-art performance across multiple metrics while guaranteeing feasibility.
• Abstract（参考訳）: 対実的(CF)説明は、入力の分類を変える変化を特定する。 既存のメソッドは現実的で低コストなCFを生成するが、非建設的な修正を提案したり、将来の変更(例えば、個人のレースを変更して仕事のオファーを確保するなど)と相容れないことによって、実現性を確保することができないことが多い。 我々は、実現可能性を明確に強制するCF説明の洗練を導入する。 私たちのアプローチは、現実的で低コストで実現可能なCFを効率的に生成する最初の方法です。 ドメイン知識ユーザによって指定されるハードファシブルな制約と、データセットから因果推論によって自動的に推測されるソフトファシブルな制約の両方に対応しています。 提案手法であるFCxは,多要素損失関数に最適化された変分オートエンコーダ(VAE)に基づく。 我々は,値の絶対変化(確率)と変化した特徴数(疎度)に基づいて変化のコストを測定するとともに,密度推定のLOFに基づいて現実性を測定し,CFが密集した地域に居住することを保証する。 4つの公開データセットに対する大規模な実験は、我々のアプローチが複数のメトリクスにわたる最先端のパフォーマンスと一致し、実現可能性を保証することを示している。

関連論文リスト

• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• CounterFlowNet: From Minimal Changes to Meaningful Counterfactual Explanations [0.0]
  CounterFlowNetは、CF生成をシーケンシャルな機能修正として定式化する、ジェネレーティブなアプローチである。 CounterFlowNetは、与えられた制約を完全に満足して、妥当性、疎性、妥当性、多様性の優れたトレードオフを実現することを示す。
  論文  参考訳（メタデータ） (2026-02-19T10:48:45Z)
• DiCE-Extended: A Robust Approach to Counterfactual Explanations in Machine Learning [0.0]
  既存の生成方法は、近接性、多様性、堅牢性のバランスをとるのに苦労し、現実の応用性を制限する。 広く採用されているフレームワークであるDiverse Counterfactual Explanations (DiCE)は多様性を強調しているが、堅牢性に欠けており、CFの説明は摂動やドメインの制約に敏感である。 我々は、多目的最適化技術を統合し、解釈可能性を維持しながら堅牢性を向上させる拡張CF説明フレームワークであるDiCE-Extendedを紹介する。
  論文  参考訳（メタデータ） (2025-04-26T21:22:44Z)
• Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
  LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。 ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。 我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。 我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
  論文  参考訳（メタデータ） (2025-04-07T03:57:41Z)
• Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal Approach [51.012396632595554]
  不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。 最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。 本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
  論文  参考訳（メタデータ） (2023-12-15T12:58:05Z)
• Causal Inference with Conditional Front-Door Adjustment and Identifiable Variational Autoencoder [28.94606676886985]
  フロントドア調整は、観測されていない共役変数を扱うための実践的なアプローチである。 我々はCFD調整の因果効果の識別性を保証する定理を開発する。 データから直接CFD調整変数の表現を学習するためにCFDiVAEを提案する。
  論文  参考訳（メタデータ） (2023-10-03T10:24:44Z)
• Flexible and Robust Counterfactual Explanations with Minimal Satisfiable Perturbations [56.941276017696076]
  我々は、最小満足度摂動(CEMSP)を用いた対実的説明法という概念的に単純だが効果的な解を提案する。 CEMSPは、意味論的に意味のある正常範囲の助けを借りて、異常な特徴の値を変更することを制限している。 既存の手法と比較して、我々は合成データセットと実世界のデータセットの両方で包括的な実験を行い、柔軟性を維持しつつ、より堅牢な説明を提供することを示した。
  論文  参考訳（メタデータ） (2023-09-09T04:05:56Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)

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。