論文の概要: GFGE: Unifying Explainable AI Methods through an Interpretation Framework

• arxiv url: http://arxiv.org/abs/2610.05225v1
• Date: Sun, 04 Oct 2026 13:46:28 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:26:32.629749
• Title: GFGE: Unifying Explainable AI Methods through an Interpretation Framework
• Title（参考訳）: GFGE: 解釈フレームワークを通じて説明可能なAIメソッドを統合する
• Abstract要約: GFGE(General Framework for Generating Explanations) 概念的基礎は解釈/説明(IES)である GFGEはこのスキーマを、データ解釈、モデル解釈、出力解釈、オプションのポストホック分析、集約という5つの役割を通じて運用する。
• 参考スコア（独自算出の注目度）: 2.28438857884398
• License:
• Abstract: Explainable artificial intelligence (XAI) encompasses methods that draw on different sources of information and address different explanatory needs. A common framework is needed to describe how this information becomes evidence and is communicated as an explanation for a particular recipient. We propose the General Framework for Generating Explanations (GFGE), grounded in interpretative frameworks and the complementary activities of \emph{sense-reading} and \emph{sense-giving}. Its conceptual foundation is the Interpret/Explain Schema (IES), which connects an analyst's interpretation of system evidence, the communication of a selected account, and the recipient's interpretation of that account. GFGE operationalises this schema through five roles: data interpretation, model interpretation, output interpretation, optional post-hoc analysis, and aggregation. A role-typed operation graph records method-specific dependencies, while evidence records retain the sources, assumptions, and limitations of explanatory claims. The explanatory question, audience, and context guide the procedure. We instantiate GFGE for attribution, surrogate, counterfactual, concept and prototype, intrinsic rule, argumentation, and language-model methods. These instantiations show how intrinsic, post-hoc, and hybrid workflows can be represented through the same roles while preserving their distinct evidential requirements. GFGE provides a common basis for analysing explanation workflows, tracing communicated claims to their evidence, and identifying unresolved explanatory dependencies.
• Abstract（参考訳）: 説明可能な人工知能(XAI)は、異なる情報ソースを描画し、異なる説明的ニーズに対処する手法を含んでいる。 この情報がどのように証拠となり、特定の受取人の説明として伝達されるかを説明するのに共通の枠組みが必要である。 本稿では,解釈的フレームワークを基盤としたGFGE(General Framework for Generating Explanations)と,emph{sense-reading} と \emph{sense-giving} の補完的活動を提案する。 その概念的基盤は解釈/説明スキーマ(IES)であり、アナリストのシステム証拠の解釈、選択されたアカウントの通信、およびそのアカウントの受信者の解釈を結びつける。 GFGEはこのスキーマを、データ解釈、モデル解釈、出力解釈、オプションのポストホック分析、集約という5つの役割を通じて運用する。 ロール型オペレーショングラフはメソッド固有の依存関係を記録し、エビデンスレコードは説明的クレームのソース、仮定、制限を保持する。 説明的質問、聴衆、文脈が手順を導く。 我々はGFGEを帰属、代理、反事実、概念とプロトタイプ、本質的なルール、議論、言語モデル手法のためにインスタンス化する。 これらのインスタンス化は、固有の、ポストホック、ハイブリッドワークフローが、それぞれの明確な明確な要求を維持しながら、同じ役割を通してどのように表現できるかを示している。 GFGEは、説明ワークフローの分析、コミュニケーションされたクレームの証拠のトレース、未解決の説明的依存関係の特定のための共通基盤を提供する。

関連論文リスト

• FIRE: Faithful Interpretable Recommendation Explanations [2.6499018693213316]
  推薦システムにおける自然言語の説明は、しばしばレビュー生成タスクとしてフレーム化される。 FireはSHAPベースの特徴属性と構造化されたプロンプト駆動言語生成を組み合わせた軽量で解釈可能なフレームワークである。 この結果から,FIREは競争推奨精度を達成するだけでなく,アライメント,構造,忠実度といった重要な次元に沿った説明品質を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-08-07T10:11:02Z)
• KGRAG-Ex: Explainable Retrieval-Augmented Generation with Knowledge Graph-based Perturbations [2.287415292857565]
  知識グラフ(KG)は、エンティティとその関係の構造化された意味的にリッチな表現を導入することで、ソリューションを提供する。 KGRAG-Exは,ドメイン固有のKGを活用することにより,現実的なグラウンド化と説明可能性を改善するRAGシステムである。 ユーザクエリが与えられた場合、KGRAG-Exはグラフ内の関連エンティティとセマンティックパスを特定し、擬似パラグラフに変換する。
  論文  参考訳（メタデータ） (2025-07-11T09:35:13Z)
• AKReF: An argumentative knowledge representation framework for structured argumentation [0.9626666671366837]
  議論文を議論知識グラフ(AKG)に変換するためのフレームワークを提案する。 提案する議論的知識表現フレームワーク(AKReF)は理論基盤を拡張している。 コンフリクトフリーな集合と許容可能な引数の最大集合を抽出するといった複素解析におけるその応用を示す。
  論文  参考訳（メタデータ） (2025-05-31T21:11:30Z)
• A Note on an Inferentialist Approach to Resource Semantics [48.65926948745294]
  「推論主義」とは、推論行動の観点で意味が与えられるという考え方である。 本稿では,「推論主義」が資源意味論の汎用的で表現力豊かな枠組みを実現する方法を示す。
  論文  参考訳（メタデータ） (2024-05-10T14:13:21Z)
• Inferentialist Resource Semantics [48.65926948745294]
  本稿では,リソースセマンティクスにおいて,推論が汎用的で表現力豊かなフレームワークを実現する方法を示す。 推論主義は、バンドルインプリケーションの論理のアサーションベースのアプローチをいかにシームレスに組み込むか。 この統合により、直感的で親しみやすい方法で、共有リソースと分離リソースの推論が可能になる。
  論文  参考訳（メタデータ） (2024-02-14T14:54:36Z)
• FICNN: A Framework for the Interpretation of Deep Convolutional Neural Networks [0.0]
  本研究の目的は,視覚データから学習したCNNモデルを対象とした解釈手法の研究のためのフレームワークを提案することである。 提案する要因のごく一部と組み合わせが実際に研究されていることを,我々のフレームワークが強調する。
  論文  参考訳（メタデータ） (2023-05-17T10:59:55Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• Local Explanation of Dialogue Response Generation [77.68077106724522]
  反応生成の局所的説明(LERG)は、生成モデルの推論過程に関する洞察を得るために提案される。 LERGは、シーケンス予測を人間の応答の不確実性推定とみなし、入力を摂動させ、人間の応答に対する確実性の変化を計算することによって説明を作成する。 提案手法は, 提案手法を改良し, 提案手法の4.4～12.8%を改良した。
  論文  参考訳（メタデータ） (2021-06-11T17:58:36Z)

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。