論文の概要: DASH: Fast, Valid Counterfactuals for Deep Networks via Batched Directional Search

• arxiv url: http://arxiv.org/abs/2610.04783v1
• Date: Sat, 03 Oct 2026 21:52:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:20:26.839802
• Title: DASH: Fast, Valid Counterfactuals for Deep Networks via Batched Directional Search
• Title（参考訳）: DASH:Batched Directional Searchによるディープ・ネットワークの高速かつ有効な対策
• Abstract要約: ディープ・ニューラル・ネットワークの 近接的、有効な、行動可能な対策を見つけるためのバッチ検索方法。 9000を超えるクエリノームケースにおいて、DASHは、最もよく観測された有効距離の5%以内の有効なカウンターファクトを返します。 これらの結果から,提案した検索は,検索の実用性を維持しつつ,ノルムにまたがる有効な近接性を保っていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 5.179463063155206
• License:
• Abstract: Counterfactual explanations are most useful when they can be generated with low latency, remain close to the factual input, and satisfy input-domain, categorical, and actionability constraints. Achieving these objectives simultaneously is challenging for deep neural networks. Heuristic methods are often fast but may return invalid counterfactuals, whereas exact methods can certify global proximity but may not finish within practical time limits. We introduce DASH, a batched heuristic search method for finding close, valid, and actionable counterfactuals for deep neural networks under $\ell_1$, $\ell_2$, and $\ell_\infty$ objectives. DASH uses directional Lipschitz bounds and local affine models to generate anchors, then ranks and expands promising regions with batched network evaluations. We compare DASH against nine prior heuristic methods and time-limited exact mixed-integer baselines on four tabular datasets, with network depths from 2 to 32, and evaluate scalability on PBMC3k. Across 9,000 tabular query-norm cases, DASH returns a valid counterfactual within $5\%$ of the best heuristic-observed valid distance in $94.6\%$ of cases, with a median CPU search runtime of $0.061$ s. PGD-bisect, the baseline with the highest pooled within-$5\%$ coverage, meets this criterion in $41.1\%$ of cases, with a median runtime of $0.298$ s. These results show that the proposed search maintains high valid proximity across norms while keeping its search runtime practical.
• Abstract（参考訳）: フェールファクトの説明は、低レイテンシで生成でき、実際の入力に近づき、入力領域、カテゴリ、動作可能性の制約を満たす場合に最も有用である。 これらの目的を同時に達成することは、ディープニューラルネットワークにとって難しい。 ヒューリスティックな手法はしばしば高速であるが、無効な反ファクトを返却することもある。 DASHは,深層ニューラルネットワークの近接的かつ有効かつ作用可能な反事実を,$\ell_1$,$\ell_2$,$\ell_\infty$の目的に基づいて探索するバッチ型ヒューリスティック検索手法である。 DASHは指向性リプシッツ境界と局所アフィンモデルを用いてアンカーを生成し、バッチネットワーク評価で有望な領域をランク付けして拡張する。 DASHと従来の9つのヒューリスティックな手法と4つの表付きデータセット上での時間制限の正確な混合整数ベースラインを比較し,PBMC3k上でのネットワーク深さを評価した。 9000のテーブル状クエリノルムのケースで、DASHは最高のヒューリスティックで観測された有効距離の5\%以内の有効なカウンターファクトを94.6\%のケースで返却し、中央値のCPUサーチランタイムは0.061$ sである。 PGD-bisectは、最高値が5$%の範囲内にあるベースラインであり、この基準を411.1$%のケースで満たしており、中央値のランタイムは0.298$ sである。 これらの結果から,提案した検索は,検索ランタイムを実用的に保ちつつ,ノルムを越えて高い有効近接性を維持していることがわかった。

関連論文リスト

• When Do Early-Exit Networks Generalize? A PAC-Bayesian Theory of Adaptive Depth [13.891522069967507]
  早期の外部ニューラルネットワークは、中間層で確実な予測を終了させることで、適応的な計算を可能にする。 広く展開されているにもかかわらず、それらの一般化特性は理論的な理解を欠いている。 本稿では,適応深度ネットワークのための統一的なPAC-Bayesianフレームワークを確立する。
  論文  参考訳（メタデータ） (2026-04-17T07:08:33Z)
• δ-EMG: A Monotonic Graph Index for Approximate Nearest Neighbor Search [33.62724124122037]
  本稿では,クエリ時における近似精度を制御する誤り境界付きANN探索アルゴリズムを提案する。 0.99のリコール条件下では、SIFT1Mデータセット上で19,000QPSを達成し、他の手法よりも40%以上性能が向上する。
  論文  参考訳（メタデータ） (2025-11-21T03:20:54Z)
• Fast algorithms to improve fair information access in networks [8.174758604182268]
  ネットワーク上で$k$のシードノードを選択することで、アクティベーションの最小確率を最大化する問題を考える。 我々は,確率推定を必要としない新しいスケーラブルアルゴリズムを設計し,評価する。 6ドルドメインから引き出された174ドルのネットワークのベンチマークコーパスを新たに提供します。
  論文  参考訳（メタデータ） (2024-09-04T23:36:39Z)
• Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
  薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。 事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
  論文  参考訳（メタデータ） (2024-07-21T15:49:05Z)
• CAPM: Fast and Robust Verification on Maxpool-based CNN via Dual Network [4.468326224084018]
  本研究は、CPM(Convex Adversarial Polytope for Maxpool-based CNN)を用いて、汎用マックスプールベース畳み込みニューラルネットワーク(CNN)の検証境界を改善する。 その結果、この手法により、最大プールベースのCNNに対して最先端の検証精度が得られ、現在の検証方法よりも計算コストがはるかに低いことが示されている。
  論文  参考訳（メタデータ） (2024-06-27T14:43:06Z)
• A Specialized Semismooth Newton Method for Kernel-Based Optimal Transport [92.96250725599958]
  カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。 SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
  論文  参考訳（メタデータ） (2023-10-21T18:48:45Z)
• TriDet: Temporal Action Detection with Relative Boundary Modeling [85.49834276225484]
  既存の手法はビデオのあいまいな動作境界による不正確な境界予測に悩まされることが多い。 本稿では,その境界付近の相対確率分布を推定して,行動境界をモデル化する新しいトライデントヘッドを提案する。 TriDetは3つの挑戦的なベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-03-13T17:59:59Z)
• Beta-CROWN: Efficient Bound Propagation with Per-neuron Split Constraints for Complete and Incomplete Neural Network Verification [151.62491805851107]
  私たちは、ニューロン毎の分割を完全にエンコードできるバウンド伝搬ベースの検証器である$beta$-crownを開発した。 Beta$-CROWNはLPベースのBaB法よりも3桁近い速さで堅牢性検証が可能です。 BaBを早期に終了することにより、不完全な検証にも使用できます。
  論文  参考訳（メタデータ） (2021-03-11T11:56:54Z)
• Sparse R-CNN: End-to-End Object Detection with Learnable Proposals [77.9701193170127]
  Sparse R-CNNは、画像中の物体検出のための純粋にスパースな方法である。 最終的な予測は、最大でない処理後抑制なしで直接出力される。 われわれの研究が、物体検知器に先立って密集した慣例を再考することを願っている。
  論文  参考訳（メタデータ） (2020-11-25T00:01:28Z)
• Optimal Lottery Tickets via SubsetSum: Logarithmic Over-Parameterization is Sufficient [9.309655246559094]
  幅$d$と深さ$l$の任意のターゲットネットワークは、幅$O(log(dl))$の2倍、幅$O(log(dl))$のランダムネットワークを切断することで近似できることを示す。 解析は、プルーニングランダムなReLUネットワークをtextscSubset問題のランダムなインスタンスに接続することに依存する。
  論文  参考訳（メタデータ） (2020-06-14T19:32:10Z)

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。