論文の概要: Beyond feature attribution: Recovering latent interaction structures in machine learning models via localized CBFI
- arxiv url: http://arxiv.org/abs/2610.34962v1
- Date: Mon, 26 Oct 2026 07:29:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.785983
- Title: Beyond feature attribution: Recovering latent interaction structures in machine learning models via localized CBFI
- Title（参考訳）: 特徴属性を超えて:ローカライズされたCBFIによる機械学習モデルにおける潜在相互作用構造の復元
- Abstract要約: 本稿では,CBFI(Localized Case-based Feature importance)フレームワークを紹介する。
従来の数値属性とは異なり、本手法はインスタンス固有の予測を構造的に異なる成分に分解する。
ワインの品質分類と医療保険の回帰に関する実験は、局所的なCBFIが付加モデルによって隠された複雑な相互作用をうまく解き放つことを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Understanding individual predictions in complex tabular models remains challenging, as existing additive frameworks like SHAP and LIME often obscure structural logic by absorbing nonlinear interactions into individual feature scores. Exposing these latent interaction structures is essential for automated auditing in high-stakes environments where understanding the logic of model behavior is as essential as predictive accuracy. Methods: To address this limitation, we introduce the localized case-based feature importance (CBFI) framework. Unlike traditional numerical attribution, our method decomposes instance-specific predictions into structurally distinct components, effectively separating independent main effects (G1) from pure interactions (G4) to capture explicit feature synergies and provide a principled approach for diagnosing feature combinations. Results: Comprehensive experiments on wine quality classification and medical insurance regression demonstrate that localized CBFI successfully disentangles complex interactions hidden by additive models. Furthermore, fidelity tests and synthetic ground-truth benchmarks confirm that the identified interactions correspond precisely to the nonlinear structural dependency patterns embedded in complex architectures, including gradient boosting and deep neural networks, thereby successfully shifting the explainable AI paradigm from simple numerical attribution to the recovery of interaction-driven contributions.
- Abstract（参考訳）: 背景: 複雑な表形式モデルにおける個々の予測を理解することは依然として困難であり、SHAPやLIMEのような既存の付加的なフレームワークは、個々の特徴スコアに非線形相互作用を吸収することで構造論理を曖昧にすることが多い。
モデル動作のロジックを理解することは、予測精度と同じくらいに重要である。
メソッド: この制限に対処するために、我々は、ローカライズされたケースベース機能重要度(CBFI)フレームワークを導入します。
従来の数値属性とは異なり,本手法では,インスタンス固有の予測を構造的に異なる成分に分解し,独立主効果(G1)と純粋相互作用(G4)を効果的に分離し,明示的な特徴相乗効果を捉えるとともに,特徴の組み合わせを診断するための原則的アプローチを提案する。
結果: ワインの品質分類と医療保険の回帰に関する総合的な実験により, 局所的なCBFIは, 加法モデルによって隠された複雑な相互作用を解き放つことに成功した。
さらに、フィデリティテストと合成接地信頼度ベンチマークにより、同定された相互作用は、勾配強化やディープニューラルネットワークを含む複雑なアーキテクチャに埋め込まれた非線形構造依存パターンと正確に一致することが確認され、それによって、説明可能なAIパラダイムが、相互作用駆動型コントリビューションの回復への単純な数値属性からシフトすることに成功した。
関連論文リスト
- Joint Embedding with Dynamic Integration network (JEDI-net) [0.0]
深い学習機能でさえ、観測されていない潜伏要因のために不規則に機能する可能性がある。
潜在因子情報を明示的に組み込むことで、モデルが振る舞いを変更することでパフォーマンスを向上させることができる。
JEDI-netは、最適化中にSHAP値を定期的にクラスタリングし、類似した特徴重要パターンを持つ潜在サブグループを特定する統一アーキテクチャである。
論文 参考訳（メタデータ） (2026-10-12T19:13:24Z) - Structured Neural Chaos: An Adaptive Surrogate Modeling Framework for Functional Uncertainty Quantification and Global Sensitivity Analysis [3.4686904619645866]
本稿では、分散に基づくグローバル感度解析のための代理モデリングフレームワークとして、構造化ニューラルカオス(SNC)拡張を導入する。
提案フレームワークは、ニューラルネットワークのパワーを活用しながら、構造化された分解の解釈可能性を維持している。
論文 参考訳（メタデータ） (2026-07-31T00:03:07Z) - K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - Sparse Deep Additive Model with Interactions: Enhancing Interpretability and Predictability [16.072769293135305]
Sparse Deep Model with Interactions (SDAMI) は、疎性駆動型特徴選択と、柔軟な関数近似のためのDeepworksを組み合わせたフレームワークである。
SDAMIの中心はエフェクト・フットプリント(英語版)の概念であり、これは高次相互作用が主効果に極端に近づくことを前提としている。
選択された各主効果に対して、SDAMIは専用のサブネットワークを構築し、解釈可能性を維持しながら非線形関数近似を可能にする。
論文 参考訳（メタデータ） (2025-09-27T02:44:57Z) - PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。
PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
論文 参考訳（メタデータ） (2025-07-07T15:21:05Z) - Information-theoretic Quantification of High-order Feature Effects in Classification Problems [0.19791587637442676]
特徴重要度(Hi-Fi)法における高次相互作用の情報理論拡張について述べる。
私たちのフレームワークは、機能のコントリビューションをユニークでシナジスティックで冗長なコンポーネントに分解します。
その結果,提案した推定器は理論的および予測された結果を正確に復元することがわかった。
論文 参考訳（メタデータ） (2025-07-06T11:50:30Z) - Bayesian Hybrid Machine Learning of Gallstone Risk [0.0]
ギャルストーン病(Gallstone disease)は、世界的な健康上の重荷を負う複雑な多因子疾患である。
本稿では,ロバストな変数選択と高度な相互作用検出を統合したハイブリッド機械学習フレームワークを提案する。
この枠組みは, 予測を向上するだけでなく, 医療研究や意思決定に有用な支援ツールとして, 実用的な洞察も得られる。
論文 参考訳（メタデータ） (2025-06-17T14:19:02Z) - AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。
推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
論文 参考訳（メタデータ） (2025-06-10T02:25:31Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z)
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。