論文の概要: FCA-Guided Counterfactual Explanations for Multi-Modal Breast Cancer Diagnosis: A Framework Achieving Perfect Validity with Emergent Sparsity

• arxiv url: http://arxiv.org/abs/2609.20067v1
• Date: Thu, 17 Sep 2026 11:19:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.241996
• Title: FCA-Guided Counterfactual Explanations for Multi-Modal Breast Cancer Diagnosis: A Framework Achieving Perfect Validity with Emergent Sparsity
• Title（参考訳）: マルチモーダル乳癌診断のためのFCAガイドによる偽陽性診断法の検討
• Abstract要約: FCA-Guided Counterfactual (FCA-CF) フレームワークは、形式概念解析(FCA)の概念格子を反事実探索のハード構造制約として利用する。 Wachter-style CF, DiCE, FACE, NICEの4つの真正の正解法を60の良性予測TCGA-BRCAインスタンスで評価した。 FCA-CFフレームワークは、Validity = 1.0000(100%の反事実が予測を反転させることに成功した)、Sparsity = 2.37の機能変更(すべての有効なメソッドの中で最も多い)、Proximity = 0.900を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models for multi-modal breast cancer diagnosis achieve high predictive accuracy but remain clinically unacceptable without actionable, counterfactual explanations. Attribution-based methods (LIME, SHAP) are categorically inapplicable to this purpose, as they generate no alternative instances and thus cannot be evaluated on counterfactual quality metrics. This investigation provides empirical evidence that FCA-Guided Counterfactual (FCA-CF) framework that uses a Formal Concept Analysis (FCA) concept lattice as a hard structural constraint on counterfactual search, operating over a multi-modal TCGA-BRCA dataset. We benchmark against four genuine counterfactual methods: Wachter-style CF, DiCE, FACE, and NICE, evaluated on 60 benign-predicted TCGA-BRCA instances. The FCA-CF framework achieves Validity = 1.0000 (100% of counterfactuals successfully flip the prediction), Sparsity = 2.37 features changed (best among all valid methods), and Proximity = 0.900 (normalised L2-based, matching NICE as joint best). The classifier achieves Accuracy = 0.980, F1 = 0.976, ROC-AUC = 0.9947. Ablation analysis confirms that the FCA lattice constraint is the primary sparsity driver (removing it increases sparsity by +40%, p < 0.001, Cohen's d = 0.78), while Phase C greedy refinement accounts for the largest individual contribution (+113% sparsity increase when disabled, p < 0.001, d = 5.01). FCA-guided counterfactual generation achieves a clinically important Pareto-dominant outcome; it is simultaneously the sparsest and among the most proximate of all valid methods, with perfect validity. The emergent sparsity property arising from lattice topology rather than numerical penalty terms constitutes a structurally novel contribution to the counterfactual explanation literature.
• Abstract（参考訳）: マルチモーダル乳がん診断のための深層学習モデルは、高い予測精度を達成するが、実際的、反事実的説明なしでは臨床的に受け入れられない。 属性ベースの手法 (LIME, SHAP) はこの目的にカテゴリ的に適用できない。 本研究は, FCA-Guided Counterfactual (FCA-CF) フレームワークが, マルチモーダルTCGA-BRCAデータセット上で動作する反事実探索のハード構造制約として, 形式概念解析 (FCA) 概念格子を用いた実証的証拠を提供する。 Wachter-style CF, DiCE, FACE, NICEの4つの真正の正解法を60の良性予測TCGA-BRCAインスタンスで評価した。 FCA-CFフレームワークは、妥当性 = 1.0000 (100%の反事実が予測を反転させることに成功した)、スパーシティ = 2.37 の機能は変更され(すべての有効なメソッドの中で最良)、プロキシティ = 0.900 (正規化L2ベースで、NICEを結合する)。 分類器は精度 = 0.980, F1 = 0.976, ROC-AUC = 0.9947 を達成する。 アブレーション解析により、FCA格子制約が一次スパーシティドライバ(除去すると、スペーシティが+40%、p < 0.001、コーエンのd = 0.78)であることが確認され、一方位相Cグリードリファインメントは最大の個人貢献を担っている(障害時に+113%、p < 0.001、d = 5.01)。 FCA誘導の対物生成は臨床的に重要なパレート優位な結果をもたらす。 数値的なペナルティ項ではなく格子トポロジーから生じる創発的空間性は、反実的説明文献に構造的に新しい寄与をもたらす。

関連論文リスト

• CARDEA: Auditable Reasoning Grounded in Spatial Evidence for End-to-End Coronary Angiography Interpretation [0.0]
  既存のAIシステムは一貫性を向上させることができるが、監査可能な意思決定プロセスが欠如している。 我々はCAGパイプラインの推論コアとして機能する統合された大きな視覚言語モデルであるCARDEAを開発した。 CARDEAは、選択から研究レベルの診断を通じて、生のマルチビュービデオからエンドツーエンドのCAGパイプラインを実行する。
  論文  参考訳（メタデータ） (2026-09-07T02:01:27Z)
• Reliability, validity, and diagnostic evidence for multi-model LLM short-answer scoring [2.5445349880936483]
  答えの短期評価には、信頼性、妥当性、深刻度、診断値、障害ケースに関する証拠が必要である。 本研究は,複数モデルOCG-PRES誘導LPMスコアを短時間で評価するために繰り返し評価した。
  論文  参考訳（メタデータ） (2026-09-06T00:27:30Z)
• When Modalities Fail to Tango: Conformal Backdoor Detection in Multimodal Contrastive Learning [22.47689018895596]
  マルチモーダルコントラスト学習(MCL)におけるバックドア攻撃は近年注目を集めている。 既存の検出ベースの防御は、主にCLIPScoreメトリックに依存している。 CSCADEは,2段階の連続型バックドア検出フレームワークである。
  論文  参考訳（メタデータ） (2026-08-04T10:20:41Z)
• Theoretical Foundations of Latent Posterior Factors: Formal Guarantees for Multi-Evidence Reasoning [0.0]
  Latent Posterior Factors (LPF) は確率的予測タスクにおいて複数の異種証拠を集約するための原則的枠組みである。 LPFは各エビデンス項目を変分オートエンコーダを介してガウス潜在後部へエンコードし、後部をモンテカルロを経由してソフトファクタに変換し、正確なSum-Product Network Inference (LPF-PN) を介して集約する。 すべてのアグリゲータは、最大4,200のトレーニング例にまたがるデータセットに対して、経験的に検証されている。
  論文  参考訳（メタデータ） (2026-03-13T17:44:14Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• Your Diffusion Model is Secretly a Certifiably Robust Classifier [40.31532959207627]
  拡散分類器が$O(1)$ Lipschitznessを持ち、それらの証明された堅牢性を確立し、それらの固有のレジリエンスを実証する。 その結果、CIFAR-10の80%以上と70%以上は、それぞれ0.25未満の標準と0.5未満の逆方向の摂動下での強靭性が確認された。
  論文  参考訳（メタデータ） (2024-02-04T02:09:18Z)

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。