論文の概要: The Impact of Stochasticity on the Rashomon Effect in Machine Learning
- arxiv url: http://arxiv.org/abs/2609.32934v1
- Date: Sat, 26 Sep 2026 20:46:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 11:46:22.954941
- Title: The Impact of Stochasticity on the Rashomon Effect in Machine Learning
- Title（参考訳）: 確率が機械学習における羅生門効果に及ぼす影響
- Abstract要約: 我々は,ラショモン現象を3つの相補的な次元(解空間乗法,予測乗法,決定基底乗法)に沿って研究する。
以上の結果から,トレーニング性は予測性能だけでなく,予測や説明の安定性にも影響を及ぼすことが示された。
- 参考スコア（独自算出の注目度）: 3.219880761967806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural network training is inherently stochastic, with factors such as weight initialization leading to distinct models despite comparable predictive performance. This phenomenon is commonly associated with the Rashomon effect, which describes the existence of multiple near-optimal models for the same task. Although the Rashomon effect has received increasing attention, it remains unclear whether different sources of training stochasticity contribute similarly or differently to its manifestations. In this work, we present an empirical study of the Rashomon phenomenon along three complementary dimensions: solution-space multiplicity, predictive multiplicity, and decision-basis multiplicity. These dimensions are quantified through the size of the empirical Rashomon set, predictive ambiguity, and agreement between XAI attribution maps, respectively. By independently controlling three standard sources of stochasticity, namely weight initialization, mini-batch data ordering, and dropout, we isolate their respective contributions to each dimension of the Rashomon phenomenon. Experiments on tabular and image classification benchmarks reveal that these sources affect the three dimensions in different ways. In particular, larger empirical Rashomon sets do not necessarily correspond to greater predictive disagreement or lower explanation agreement, indicating that solution-space, predictive, and decision-basis multiplicity capture complementary rather than interchangeable aspects of the Rashomon effect. Overall, our results show that training stochasticity influences not only predictive performance but also the stability of predictions and explanations, highlighting the importance of identifying the specific sources of stochasticity responsible for different manifestations of the Rashomon phenomenon when assessing the reliability, reproducibility, and interpretability of neural network models.
- Abstract（参考訳）: ニューラルネットワークのトレーニングは本質的に確率的であり、重量の初期化などの要因は、同等の予測性能にもかかわらず、異なるモデルに導かれる。
この現象は一般に、同じタスクに対して複数の準最適モデルが存在することを記述するラショモン効果と関連している。
羅生門効果は注目されているが、トレーニング確率性の異なる源泉が、その発現に類似しているか異なるかは定かではない。
本研究では,3つの相補的な次元(解空間乗法,予測乗法,決定基底乗法)に沿って,羅生門現象の実証的研究を行う。
これらの次元は、実証的な羅生門集合のサイズ、予測的あいまいさ、XAI属性マップ間の一致を通じて定量化される。
重み初期化, ミニバッチデータ順序付け, ドロップアウトの3つの標準確率源を独立に制御することにより, ラッショモン現象の各次元へのそれぞれの寄与を分離する。
表型および画像分類ベンチマークの実験では、これらのソースが異なる方法で3次元に影響を与えることが示されている。
特に、より大きな経験的ラショモン集合は、必ずしもより大きな予測的不一致や低い説明的合意に対応せず、ラショモン効果の交換可能な側面よりも、解空間、予測的、決定的基底的多重度が相補的を捉えていることを示す。
以上の結果から,学習確率性は予測性能だけでなく,予測や説明の安定性にも影響し,信頼性,再現性,解釈可能性を評価する上で,ラーショーモン現象の異なる発現に寄与する特定の確率性源を特定することの重要性が示唆された。
関連論文リスト
- Measuring consistency via ensemble margin and local prediction variability: Auditing decision systems in the presence of predictive multiplicity [4.924900955306918]
ラショウモン効果は、同じ精度のモデルが同じ入力に対して異なる予測を生成する機械学習現象である。
本稿では,アンサンブルマージンと各構成モデルに対する局所的予測変数の尺度を組み合わせた一貫性基準を提案する。
実験の結果,Rashomon集合からのアンサンブルモデルにより,誤検出のリスクを大幅に低減できることがわかった。
論文 参考訳（メタデータ） (2026-09-01T15:22:01Z) - Horizon-Constrained Rashomon Sets for Chaotic Forecasting [1.0439136407307046]
カオスシステムにおいてモデル乗法が予測地平線とともにどのように進化するかを特徴付ける理論的枠組みを導入する。
実効ラショモン集合は、最大リャプノフ指数によって決定される速度でリード時間と指数関数的に収縮することを示した。
そこで我々は,予測精度のみではなく,下流ユーティリティに基づく最適に近いモデルを選択する決定整合選択アルゴリズムを開発した。
論文 参考訳（メタデータ） (2026-04-17T04:35:40Z) - Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。
大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
論文 参考訳（メタデータ） (2026-02-03T10:26:16Z) - Why are there many equally good models? An Anatomy of the Rashomon Effect [6.093395016605313]
ほぼ同等のパフォーマンスを達成する複数の異なるモデルの存在である羅生門効果は、統計学と統計学の基本的な現象として現れている。
論文 参考訳（メタデータ） (2026-01-11T00:48:15Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - An Experimental Study on the Rashomon Effect of Balancing Methods in Imbalanced Classification [0.0]
本稿では,ラショモン効果を用いた予測多重度に及ぼすバランス法の影響について検討する。
データ中心のAIにおける盲点モデル選択は、ほぼ同じ精度のモデルのセットからリスクが高いため、非常に重要です。
論文 参考訳（メタデータ） (2024-03-22T13:08:22Z) - Predictive Churn with the Set of Good Models [61.00058053669447]
本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。
予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。
2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。
特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。
事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文 参考訳（メタデータ） (2024-02-09T07:18:06Z) - Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。
DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。
そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
論文 参考訳（メタデータ） (2023-11-23T15:47:33Z) - Towards Robust and Adaptive Motion Forecasting: A Causal Representation
Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。
我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。
合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文 参考訳（メタデータ） (2021-11-29T18:59:09Z)
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。