論文の概要: MCIR: A Feature Dependence-Aware Explainability Method with Reliability Guarantees
- arxiv url: http://arxiv.org/abs/2610.01641v1
- Date: Thu, 01 Oct 2026 13:07:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.143816
- Title: MCIR: A Feature Dependence-Aware Explainability Method with Reliability Guarantees
- Title（参考訳）: MCIR:信頼性保証機能を備えた特徴依存型説明可能性手法
- Abstract要約: 本稿では,一意な予測情報を定量化するグローバルな機能重要度手法を提案する。
MCIR-Mは、強い依存する隣人にそれぞれ条件を定め、ブロックレベルの情報に対する条件の正規化比率を計算する。
全体として、MCIR-Mは、強い特徴依存の下でのグローバルな説明のための実用的な依存認識診断を提供する。
- 参考スコア（独自算出の注目度）: 6.948460965107209
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern machine-learning models often contain strongly dependent or redundant features, making feature attribution difficult because shared predictive information can be distributed across correlated predictors. Existing methods such as SHAP, LIME, HSIC, MI/CMI, and SAGE may therefore produce unstable rankings under multicollinearity or near-duplicate predictors. We propose the Mutual Correlation Impact Ratio Method (MCIR-M), a dependence-aware global feature-importance approach that quantifies the unique predictive information contributed by each feature beyond a selected dependence neighbourhood. MCIR-M introduces the Mutual Correlation Impact Ratio (MCIR), which conditions each feature on strongly dependent neighbours and computes a normalized ratio of conditional to block-level information. The population score lies in [0,1] and equals zero under exact conditional redundancy. We also introduce a lightweight estimation procedure that computes MCIR using a fraction of the available data and evaluates agreement with full-data explanations. Across controlled synthetic redundancy experiments and the UCI HAR benchmark, MCIR shows dependence-aware ranking behaviour, with its clearest advantage under injected near-duplicate predictors. Comparisons with independent and conditional SHAP, SAGE, HSIC, MI-based scores, and CIR-family baselines are mixed across real-data criteria. Reduced explanation samples lower computational burden in the evaluated configurations, while agreement with full-data explanations is assessed separately through ranking, head-set, and faithfulness diagnostics. Overall, MCIR-M provides a practical dependence-aware diagnostic for global explanation under strong feature dependence.
- Abstract（参考訳）: 現代の機械学習モデルは、しばしば強い依存的または冗長な特徴を含んでおり、相関予測器間で共有予測情報を分散できるため、特徴帰属を困難にしている。
したがって、SHAP、LIME、HSIC、MI/CMI、SAGEといった既存の手法は、複数の線形性またはほぼ重複した予測子の下で不安定なランキングを生成する可能性がある。
本研究では, 相互相関影響比法 (MCIR-M) を提案する。
MCIR-Mは相互相関影響比(Multual correlation Impact Ratio, MCIR)を導入し, それぞれの特徴を強い依存領域に設定し, ブロックレベル情報に対する条件の正規化比率を算出する。
人口スコアは[0,1]にあり、厳密な条件付き冗長性の下ではゼロに等しい。
また、利用可能なデータのごく一部を用いてMCIRを計算し、全データ説明との一致を評価する軽量な推定手法も導入する。
制御された合成冗長性実験とUCI HARベンチマーク全体において、MCIRは依存性を意識したランキングの振る舞いを示し、最も明確な利点はほぼ重複した予測器である。
独立・条件付きSHAP, SAGE, HSIC, MI-based scores, CIR- Family baselines are mixed across real-data criteria。
削減された説明は、評価された構成における計算負担を低減し、フルデータ説明との合意は、ランキング、ヘッドセット、忠実度診断を通じて別々に評価される。
全体として、MCIR-Mは、強い特徴依存の下でのグローバルな説明のための実用的な依存認識診断を提供する。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Beyond Imbalance Ratio: Data Characteristics as Critical Moderators of Oversampling Method Selection [1.4266272677701564]
一般的なIR閾値パラダイムは、不均衡比(IR)とオーバーサンプリングの有効性の正の相関を示唆している。
データ特性を一定に保ちながらIRを系統的に操作する制御実験を12回行った。
すべての手法がOpenMLから17の実世界のデータセットで評価された。
論文 参考訳（メタデータ） (2026-04-06T09:09:07Z) - Explainability of Complex AI Models with Correlation Impact Ratio [10.61008729196936]
複雑なAIシステムはより良い予測を行うが、透明性が欠如し、信頼性、解釈可能性、安全なデプロイメントが制限されることが多い。
ExCIR(Explainability through correlation Impact Ratio)は,モデル出力に対する入力特徴の寄与を説明するための理論的基礎とシンプルで信頼性の高い指標である。
我々は,ExCIRが軽量なシングルパスの定式化により,相関した特徴から生じる依存関係をキャプチャすることを示した。
論文 参考訳（メタデータ） (2026-01-10T21:56:24Z) - Causal Effect Estimation with TMLE: Handling Missing Data and Near-Violations of Positivity [1.1546538067103258]
欠損データシナリオにおける平均処理効果を推定する目的最大推定(TMLE)の性能を評価する。
我々はモデルと設計に基づくシミュレーションを採用し、後者は'WASHベネフィットバングラデシュ'データセット上で、アンダースムースな高度適応型ラッソを用いています。
解析手法としてTMLEと組み合わせて8つの欠落データ手法を比較し,非多重命令法(non-MI)と多重命令法(multiple imputation,MI)を区別する。
論文 参考訳（メタデータ） (2025-10-25T08:01:55Z) - Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。
信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
論文 参考訳（メタデータ） (2023-01-25T19:35:23Z) - Diffeomorphic Information Neural Estimation [2.566492438263125]
Mutual Information (MI) と Conditional Mutual Information (CMI) は情報理論の多目的ツールである。
DINE (Diffomorphic Information Neural Estorimator) は連続確率変数のCMIを推定するための新しい手法である。
興味のある変数は、より単純な分布に従う適切なサロゲートに置き換えることができることを示す。
論文 参考訳（メタデータ） (2022-11-20T03:03:56Z) - Conditional Feature Importance for Mixed Data [1.6114012813668934]
ノックオフサンプリングを用いた条件付き予測インパクト(CPI)フレームワークを開発した。
提案するワークフローは,I型エラーを制御し,高い出力を達成し,他の条件FI測定結果と一致していることを示す。
本研究は,混合データに対して,統計的に適切な,専門的な手法を開発することの必要性を強調した。
論文 参考訳（メタデータ） (2022-10-06T16:52:38Z) - On Continual Model Refinement in Out-of-Distribution Data Streams [64.62569873799096]
現実世界の自然言語処理(NLP)モデルは、アウト・オブ・ディストリビューション(OOD)データストリームの予測エラーを修正するために、継続的に更新する必要がある。
既存の継続学習(CL)問題設定は、そのような現実的で複雑なシナリオをカバーできない。
連続モデル改良(CMR)と呼ばれる新しいCL問題定式化を提案する。
論文 参考訳（メタデータ） (2022-05-04T11:54:44Z) - Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。
本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。
理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文 参考訳（メタデータ） (2022-01-31T20:58:47Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳（メタデータ） (2021-06-07T17:47:16Z) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳（メタデータ） (2020-02-21T00:27:52Z)
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。