論文の概要: FlowCF: Sparse Counterfactual Explanations for Mixed-Type Tabular Data using Flow Matching

• arxiv url: http://arxiv.org/abs/2610.08537v1
• Date: Tue, 06 Oct 2026 15:27:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.081631
• Title: FlowCF: Sparse Counterfactual Explanations for Mixed-Type Tabular Data using Flow Matching
• Title（参考訳）: FlowCF:フローマッチングを用いた混合型語彙データのスパース対実的説明
• Abstract要約: FlowCFは、CF生成を現実から対象クラスへのスパーストランスポートとしてフレーム化するモデルに依存しない生成方法である。 得られた幾何を利用して、輸送の変化量を最小限に抑えるゲーティングネットワークを通じて、疎結合を最適化する。 6つのベンチマークデータセットの実験では、FlowCFが最高の数値空間性と近接性を生成することが示されている。
• 参考スコア（独自算出の注目度）: 0.9109788577327502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the field of Explainable AI (XAI), counterfactual (CF) explanations interpret a model's decision by suggesting the changes to the input that would lead to a more favourable outcome. To be useful in practice, such an explanation should change few features and change them as little as possible, properties known as sparsity and proximity. We observe that existing methods remain limited in this respect, especially for numerical features, whether they are model-agnostic and amortised, or gradient-based with full access to the model. In this paper, we propose FlowCF, a model-agnostic generative method that frames CF generation as sparse transport from the factual to the target class. We solve this transport with flow matching, which we extend to mixed feature types with a novel mixed flow operator, and exploit the resulting geometry to optimise for sparsity through a gating network that minimises the number of features the transport changes. Extensive experiments on six benchmark datasets demonstrate that FlowCF produces the best numerical sparsity and proximity, changing 29% of the numerical features where the best baseline changes 89%, at 70% smaller displacement, while remaining comparable on the other desiderata.
• Abstract（参考訳）: 説明可能なAI(XAI)の分野では、カウンターファクトリアル(CF)の説明は、より好ましい結果をもたらす入力の変更を提案することによって、モデルの判断を解釈する。 実際に有用にするためには、このような説明はほとんど機能を変えず、可能な限り変更しなければなりません。 既存の手法はこの点において、特に数値的特徴において、モデルに依存しない、償却されていない、あるいはモデルに完全にアクセス可能な勾配に基づくものであるかに制限されていることを観察する。 本稿では,現実から対象クラスへの疎輸送としてCF生成をフレーム化するモデルに依存しない生成法であるFlowCFを提案する。 本稿では,新しい混合流演算子による混合特徴型に拡張したフローマッチングによるこの輸送を解き,その結果の幾何を利用して,輸送が変化する特徴数を最小化するゲーティングネットワークを通じて疎結合を最適化する。 6つのベンチマークデータセットの大規模な実験により、FlowCFは最高の数値間隔と近接性を生み出し、最高のベースラインが89%変化し、70%小さい変位で、他のデシダータに匹敵するような数値特性を29%変更することを示した。

関連論文リスト

• Drift Flow Matching [69.16550765154163]
  ドリフトフローマッチング(Drift Flow Matching)は,ドリフト生成モデルとフローベース反復生成を結びつけるフレームワークである。 DFMは直接輸送マップの効率を保ちつつ、複数の推論ステップを通じて生成を洗練させる。
  論文  参考訳（メタデータ） (2026-05-17T03:58:01Z)
• CounterFlowNet: From Minimal Changes to Meaningful Counterfactual Explanations [0.0]
  CounterFlowNetは、CF生成をシーケンシャルな機能修正として定式化する、ジェネレーティブなアプローチである。 CounterFlowNetは、与えられた制約を完全に満足して、妥当性、疎性、妥当性、多様性の優れたトレードオフを実現することを示す。
  論文  参考訳（メタデータ） (2026-02-19T10:48:45Z)
• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• Minibatch Optimal Transport and Perplexity Bound Estimation in Discrete Flow Matching [0.0]
  テキストデータなどの分類データ分布における自己回帰モデルの性能は、連続拡散とフローモデルでは依然として困難である。 対流補間剤を用いた離散流に対する動的最適輸送様最小化法を提案する。 連続フローとは異なり、変数の即時変化は密度推定を可能にするが、離散モデルは固有の非決定性や経路の不連続性のために同様のメカニズムを欠いている。
  論文  参考訳（メタデータ） (2024-11-01T17:35:09Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• A PSO Based Method to Generate Actionable Counterfactuals for High Dimensional Data [3.0320603363468845]
  粒子群最適化(PSO)に基づく効率的で実用的な逆ファクトアル(CF)生成法について述べる。 これらの特徴を組み込んだアルゴリズムが提案され、生成されたCFの近接特性と疎性特性をより制御できる。
  論文  参考訳（メタデータ） (2023-09-30T18:08:00Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Attentive Contractive Flow with Lipschitz-constrained Self-Attention [25.84621883831624]
  注意的収縮フロー(ACF)と呼ばれる新しいアプローチを導入する。 ACFは、フローベースの生成モデル - 収縮フロー - の特別なカテゴリを利用する。 我々は, ACFをプラグアンドプレイ方式で, 各種のアートフローモデルに導入できることを実証した。
  論文  参考訳（メタデータ） (2021-09-24T18:02:49Z)

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。