論文の概要: Null importance: Disentangling relevance for interpretable machine learning

• arxiv url: http://arxiv.org/abs/2609.19511v1
• Date: Wed, 16 Sep 2026 23:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.033415
• Title: Null importance: Disentangling relevance for interpretable machine learning
• Title（参考訳）: 核の重要さ: 解釈可能な機械学習における相互関連性
• Abstract要約: 重要」は、いくつかの根本的に異なる関連性の概念を含んでいる。 nullの重要性に基づいた統一的な視点を開拓する。 これらの概念がどのように異なる科学的疑問に答えるかを示す。
• 参考スコア（独自算出の注目度）: 6.512459870079257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature importance is central to interpretable machine learning, but the term "importance" encompasses several fundamentally different notions of relevance. We develop a unified perspective based on null importance: a population-level characterization of when a feature is irrelevant under a specified notion of relevance. We consider standard notions of null importance arising from marginal and conditional statistical relevance, predictive risk, functional invariance, and causal effects, and show how these notions answer different scientific questions. We illustrate the framework in two applications in which the distinction is particularly consequential: algorithmic fairness, where common fairness criteria correspond to different notions of null importance, and genomic perturbation modeling, where different notions of relevance lead to different conclusions about what a prediction model has learned. The framework connects three aspects of feature analysis: the scientific question defining relevance, the data and model assumptions that shape how different null notions relate, and the methods used to assess importance. We establish sufficient conditions under which null notions coincide and give counterexamples showing how they diverge when those conditions fail. We then characterize which nulls different method families target and when their zero-importance statistics identify those targets. Finally, simulations spanning feature dependence, redundancy, nonlinearity, hidden features and other standard phenomena, along with case studies on image and multiomics data, provide empirical evidence for these theoretical distinctions and their practical consequences. Taken together, these results provide a common statistical language for relating scientific questions, data-generating assumptions, and algorithms, and clarify the conclusions that feature-importance analyses can support.
• Abstract（参考訳）: 特徴の重要性は、解釈可能な機械学習の中心であるが、"重要"という用語は、いくつかの根本的に異なる関連性の概念を含んでいる。 我々は,ある特徴が特定の関連性の概念の下で無関係である場合の集団レベルの特徴付けという,nullの重要性に基づく統一的な視点を発達させる。 限界的・条件的統計的関連性、予測的リスク、機能的不変性、因果的影響から生じるnullの重要性の標準概念を考察し、これらの概念が異なる科学的疑問にどのように答えるかを示す。 アルゴリズム的公正性(アルゴリズム的公正性)、共通フェアネス基準(共通フェアネス基準)はヌル重要性の異なる概念に対応し、ゲノミック摂動モデリング(ゲノミック摂動モデリング)は、関連性の異なる概念が、予測モデルが何を学んだかについて異なる結論をもたらす。 このフレームワークは、関連性を定義する科学的問題、異なるnull概念がどのように関連しているかを形作るデータとモデル仮定、重要度を評価するために使用される方法の3つの側面を結合している。 零概念が一致する十分な条件を確立し、それらの条件が失敗したときにどのように分岐するかを示す反例を与える。 次に、異なるメソッドファミリーがターゲットとするnullと、それらのターゲットを特定するゼロ重要統計を特徴付ける。 最後に、特徴依存、冗長性、非線形性、隠蔽特徴、その他の標準現象にまたがるシミュレーション、および画像およびマルチオミクスデータに関するケーススタディにより、これらの理論的区別とその実践的な結果の実証的な証拠を提供する。 これらの結果は、科学的疑問、データ生成仮定、アルゴリズムに関連する共通の統計言語を提供し、特徴重要分析が支持できる結論を明らかにする。

関連論文リスト

• Unifying Causal Representation Learning with the Invariance Principle [21.375611599649716]
  因果表現学習は、高次元観測から潜伏因果変数を復元することを目的としている。 本稿では,多くの因果表現学習手法が,それらの表現を固有のデータ対称性と方法論的に整合させることを示す。 本稿では、因果変数の発見における因果仮定の役割を明らかにし、データ対称性の保存に焦点を移す。
  論文  参考訳（メタデータ） (2024-09-04T14:51:36Z)
• Reconciling Predictive and Statistical Parity: A Causal Approach [68.59381759875734]
  本稿では,予測パリティに付随する公平度対策のための因果分解式を提案する。 統計的および予測パリティの概念は、実際には互いに排他的ではなく、相補的であり、公正の概念のスペクトルにまたがっていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:23:22Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Inherent Inconsistencies of Feature Importance [6.02357145653815]
  特徴重要度は、予測結果に対する個々の特徴の寄与にスコアを割り当てる手法である。 本稿では,特徴重要度スコアの異なる文脈間のコヒーレントな関係を確立するために設計された公理的枠組みを提案する。
  論文  参考訳（メタデータ） (2022-06-16T14:21:51Z)
• Trying to Outrun Causality with Machine Learning: Limitations of Model Explainability Techniques for Identifying Predictive Variables [7.106986689736828]
  機械学習のアルゴリズムは、見た目ほど柔軟性がなく、データの根底にある因果構造に驚くほど敏感であることを示す。 我々は、重要な変数のデータを探索したい研究者のために、いくつかの代替のレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-02-20T17:48:54Z)
• Marginal Contribution Feature Importance -- an Axiomatic Approach for The Natural Case [13.94406695921022]
  本研究では,自然シナリオにおける特徴重要関数から期待される特性を表す公理の集合を開発する。 理論的および経験的特性からこの関数を解析し、他の特徴重要度と比較する。
  論文  参考訳（メタデータ） (2020-10-15T17:41:42Z)
• A Philosophy of Data [91.3755431537592]
  我々は、統計計算に必要な基本特性から統計データの定義まで研究する。 我々は、有用なデータの必要性は、プロパティを根本的にユニークか等しく理解することを規則化する必要があると論じている。 データとデータ技術への依存度が高まるにつれて、この2つの特徴は現実の集合概念に影響を与えます。
  論文  参考訳（メタデータ） (2020-04-15T14:47:24Z)

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。