論文の概要: When Explanations Cannot Be Read: Measuring and Correcting SHAP and LIME Rendering for Right-to-Left Languages

• arxiv url: http://arxiv.org/abs/2609.28565v1
• Date: Wed, 23 Sep 2026 11:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.407327
• Title: When Explanations Cannot Be Read: Measuring and Correcting SHAP and LIME Rendering for Right-to-Left Languages
• Title（参考訳）: 説明が読めないとき: 右利き言語におけるSHAPとLIMEレンダリングの測定と修正
• Abstract要約: 本稿では,SHAP と LIME の可視化において,読み方向とスクリプトの整形を補正するレンダリング層 SHAP-RTL を提案する。 アプローチはウルドゥー語、アラビア語、ヘブライ語、ペルシアの憎悪と攻撃的な言語データセットに基づいて評価されている。
• 参考スコア（独自算出の注目度）: 3.1798318618973362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post hoc explanation methods such as SHAP and LIME are widely used to interpret text classifiers, but their visualizations are mainly designed for left-to-right languages. When applied to right-to-left (RTL) languages such as Urdu, Arabic, Persian, and Hebrew, the attribution values remain mathematically valid, while their visual presentation fails. Tokens appear out of sequence, connected letterforms break apart, and plot layouts do not follow the natural reading direction. This study addresses this gap as a visualization problem rather than a limitation of the explanation methods themselves. We present SHAP-RTL, a rendering layer that corrects reading direction and script shaping in SHAP and LIME visualizations, with per-language font selection, while preserving the original attribution values, feature ordering, and model outputs. The approach is evaluated on Urdu, Arabic, Hebrew, and Persian hate and offensive-language datasets using TF-IDF and logistic regression classifiers. Rendering correctness is measured by an OCR round trip over 200 feature words per language. Default rendering yields character error rates of 0.820 to 0.979, meaning the label no longer carries its token; the common reshape-and-reorder workaround fails for Urdu at 0.998, worse than no correction; and the Matplotlib 3.11.0 text rewrite inverts that workaround, while SHAP-RTL remains correct under both versions. The framework also verbalizes the same attributions as short contextual explanations in the reader's language, constrained to the identified features. Evaluation in this paper concerns rendering correctness; assessment of the generated explanations is left to future work. The study highlights the importance of language-aware visualization in making post hoc explainability more accessible across different writing systems.
• Abstract（参考訳）: SHAPやLIMEのようなポストホックな説明法はテキスト分類器の解釈に広く用いられているが、その視覚化は主に左から右への言語向けに設計されている。 ウルドゥー語、アラビア語、ペルシア語、ヘブライ語などの右から左(RTL)言語に適用すると、帰属値は数学的に有効であり、視覚的な表現は失敗する。 トークンはシーケンス外に現れ、接続されたレターフォームは分解され、プロットレイアウトは自然な読み取り方向をたどらない。 本研究では,このギャップを,説明手法自体の限界というよりも,可視化的な問題として扱う。 SHAPおよびLIME視覚化における読み方向とスクリプトシェーピングを補正するレンダリング層であるSHAP-RTLについて,原文の属性値,特徴順序,モデル出力を保存しながら,言語毎のフォント選択を行う。 このアプローチは、TF-IDFとロジスティック回帰分類器を用いて、ウルドゥー、アラビア、ヘブライ、ペルシャの憎悪と攻撃的な言語データセットに基づいて評価される。 レンダリングの正確さは、言語ごとの200以上の特徴語を含むOCRラウンドトリップによって測定される。 デフォルトレンダリングでは文字エラー率が0.820から0.979となり、これはラベルがトークンを持たなくなったことを意味し、一般的なリシェープとリオーダーの回避策は0.998で失敗し、Matplotlib 3.11.0テキストの書き直しはその回避策を逆転し、SHAP-RTLは両方のバージョンで正しい。 フレームワークはまた、識別された特徴に制約された読み手の言語における短い文脈的説明と同じ属性を言葉で表す。 本論文における評価は, 正確性に関するものであり, 生成した説明書の評価は今後の研究に委ねられる。 この研究は、様々な筆記システムにおいて、ポストホックな説明可能性をよりアクセスしやすくする上で、言語を意識した可視化の重要性を強調している。

関連論文リスト

• Encode Errors: Representational Retrieval of In-Context Demonstrations for Multilingual Grammatical Error Correction [28.920985595976873]
  文法誤り訂正(英: Grammatical Error Correction, GEC)とは、文法の誤用を検出し、訂正することである。 インコンテキスト学習(ICL)機能を持つ大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて大きな進歩を見せている。 これは主に、セマンティックな類似性ではなく、エラーパターンをキャプチャする適切なコンテキスト内デモを取得することによる。
  論文  参考訳（メタデータ） (2026-06-13T18:00:26Z)
• MULTITEXTEDIT: Benchmarking Cross-Lingual Degradation in Text-in-Image Editing [14.278137781549303]
  12言語,5つの視覚領域,7つの編集操作にまたがる3600のインスタンスの制御ベンチマークを導入する。 テキストマッチングの精度が低いスクリプトレベルのエラーをキャプチャするために,LSF(Language Fidelity)メトリクスを導入する。 ヘブライ語とアラビア語で最大であり、オランダ語とスペイン語で最小であり、粗い構造次元ではなく、文字の精度と文字の忠実さに集中している。
  論文  参考訳（メタデータ） (2026-05-04T16:21:25Z)
• Does Visual Rendering Bypass Tokenization? Investigating Script-Tokenizer Misalignment in Pixel-Based Language Models [20.181240222544208]
  DualGPTのようなマルチモーダルな変種は、自動回帰性能を改善するためにテキストトークンを再導入する。 視覚的なレンダリングは、モデルとトークン化の制約を真に分離するのか? この結果から,視覚的レンダリングに拘わらず,テキストトークン化ツールをアーキテクチャに再統合することで,ピクセルベースの言語モデリングが解決しようとしているのと同じ問題を再導入することがわかった。
  論文  参考訳（メタデータ） (2026-01-12T07:37:46Z)
• Interpretable Zero-Shot Learning with Locally-Aligned Vision-Language Model [56.573203512455706]
  大規模視覚言語モデル(VLM)は、大規模視覚テキストペアデータセットを活用することでゼロショット学習(ZSL)において顕著な成功を収めた。 この問題に対処する1つのアプローチは、言語を統合することで解釈可能なモデルを開発することである。 本稿では,ZSLを解釈可能な言語モデルであるLaZSLを提案する。
  論文  参考訳（メタデータ） (2025-06-30T13:14:46Z)
• Do LVLMs Understand Charts? Analyzing and Correcting Factual Errors in Chart Captioning [90.13978453378768]
  生成したチャートキャプションに事実誤りを包括的に分類する。 大規模な人間のアノテーションの取り組みは、様々なチャートキャプションモデルによって作られたキャプションのエラーパターンと頻度に関する洞察を提供する。 分析の結果,GPT-4Vを含む最先端モデルでさえ,事実不正確なキャプションを頻繁に生成していることが判明した。
  論文  参考訳（メタデータ） (2023-12-15T19:16:21Z)
• LeTI: Learning to Generate from Textual Interactions [60.425769582343506]
  本稿では,テキストインタラクション(LETI)から学習するLMの可能性を,バイナリラベルによる正当性をチェックするだけでなく,テキストフィードバックを通じて出力中のエラーをピンポイントし,説明する。 私たちの焦点はコード生成タスクであり、そこではモデルが自然言語命令に基づいてコードを生成する。 LETIは、目的のLMを用いて、自然言語命令、LM生成プログラム、テキストフィードバックの結合に基づいて、モデルを反復的に微調整する。
  論文  参考訳（メタデータ） (2023-05-17T15:53:31Z)
• Linguistic More: Taking a Further Step toward Efficient and Accurate Scene Text Recognition [92.6211155264297]
  Scene Text Recognition (STR) タスクの単純さと効率性から,視覚モデルへの注目が高まっている。 最近の視覚モデルでは,(1)純粋な視覚に基づく問合せによって注意のドリフトが発生し,認識不良が生じ,言語的不感なドリフト(LID)問題として要約される。 我々は,正確なテキスト認識のための視覚モデルの言語的能力を検討するために,$textbfL$inguistic $textbfP$erception $textbfV$ision model (LPV)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T02:52:47Z)
• Towards Fine-Grained Information: Identifying the Type and Location of Translation Errors [80.22825549235556]
  既存のアプローチでは、エラーの位置と型を同期的に考慮することはできない。 我々はtextbf の追加と textbfomission エラーを予測するために FG-TED モデルを構築した。 実験により,本モデルではエラータイプと位置の同時同定が可能であり,最先端の結果が得られた。
  論文  参考訳（メタデータ） (2023-02-17T16:20:33Z)
• Read, Listen, and See: Leveraging Multimodal Information Helps Chinese Spell Checking [20.74049189959078]
  本稿では,漢字のマルチモーダル情報を直接活用して,ReaLiSeという中国語スペルチェッカーを提案する。 ReaLiSeは、(1)入力文字のセマンティック、音声、グラフィック情報をキャプチャし、(2)これらのモダリティに情報を混ぜて正しい出力を予測することによって、CSCタスクをモデル化する。 SIGHANベンチマークの実験では、提案されたモデルは大きなマージンで強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-05-26T02:38:11Z)

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。