論文の概要: Black-Box Saliency Map Generation Using Bayesian Optimisation

• arxiv url: http://arxiv.org/abs/2001.11366v1
• Date: Thu, 30 Jan 2020 14:39:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 11:28:27.058958
• Title: Black-Box Saliency Map Generation Using Bayesian Optimisation
• Title（参考訳）: ベイズ最適化を用いたブラックボックス・サリエンシマップ生成
• Authors: Mamuku Mokuwe, Michael Burke, Anna Sergeevna Bosman
• Abstract要約: 正当性マップはコンピュータビジョンにおいて、モデルが特定の予測を生成するために使っている入力領域の直感的な解釈を提供するためにしばしば用いられる。 本研究は,モデルパラメータへのアクセスが不要なブラックボックスモデルに対して,サリエンシマップ生成のためのアプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.414308305392763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Saliency maps are often used in computer vision to provide intuitive interpretations of what input regions a model has used to produce a specific prediction. A number of approaches to saliency map generation are available, but most require access to model parameters. This work proposes an approach for saliency map generation for black-box models, where no access to model parameters is available, using a Bayesian optimisation sampling method. The approach aims to find the global salient image region responsible for a particular (black-box) model's prediction. This is achieved by a sampling-based approach to model perturbations that seeks to localise salient regions of an image to the black-box model. Results show that the proposed approach to saliency map generation outperforms grid-based perturbation approaches, and performs similarly to gradient-based approaches which require access to model parameters.
• Abstract（参考訳）: 正当性マップはコンピュータビジョンにおいて、モデルが特定の予測を生成するために使っている入力領域の直感的な解釈を提供するためにしばしば用いられる。 サリエンシーマップ生成に対する多くのアプローチが利用可能であるが、そのほとんどはモデルパラメータへのアクセスを必要とする。 本研究は,ベイズ最適化サンプリング法を用いて,モデルパラメータへのアクセスが不要なブラックボックスモデルに対するサリエンシマップ生成手法を提案する。 このアプローチは、特定の(ブラックボックス)モデルの予測に責任を持つグローバルサルエントイメージ領域を見つけることを目的としている。 これは、画像の正常な領域をブラックボックスモデルにローカライズしようとする摂動モデルに対するサンプリングベースのアプローチによって達成される。 その結果,提案手法はグリッド型摂動法よりも優れており,モデルパラメータへのアクセスを必要とする勾配型手法と同様であることがわかった。

関連論文リスト

• Bayesian Inverse Graphics for Few-Shot Concept Learning [3.475273727432576]
  最小限のデータのみを用いて学習するベイズ的知覚モデルを提案する。 本稿では、この表現が、数ショットの分類や推定などの下流タスクにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2024-09-12T18:30:41Z)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• Learning Gaussian Representation for Eye Fixation Prediction [54.88001757991433]
  既存のアイ固定予測方法は、入力画像から原固定点から生成された対応する濃密な固定マップへのマッピングを行う。 本稿ではアイフィグレーションモデリングのためのガウス表現について紹介する。 我々は,リアルタイムな固定予測を実現するために,軽量なバックボーン上にフレームワークを設計する。
  論文  参考訳（メタデータ） (2024-03-21T20:28:22Z)
• Black-Box Tuning of Vision-Language Models with Effective Gradient Approximation [71.21346469382821]
  ブラックボックスモデルに対するテキストプロンプト最適化と出力特徴適応のための協調ブラックボックスチューニング(CBBT)を導入する。 CBBTは11のダウンストリームベンチマークで広範囲に評価され、既存のブラックボックスVL適応法と比較して顕著に改善されている。
  論文  参考訳（メタデータ） (2023-12-26T06:31:28Z)
• A transport approach to sequential simulation-based inference [0.0]
  静的モデルパラメータの逐次ベイズ推定を効率的に行うためのトランスポートベース手法を提案する。 この戦略は、パラメータとデータの合同分布から条件分布を抽出し、構造化された(例えば、ブロック三角形)輸送マップを推定する。 これにより、モデルのないオンラインフェーズにおける輸送マップによる後部密度の勾配に基づく特徴付けが可能になる。
  論文  参考訳（メタデータ） (2023-08-26T18:53:48Z)
• PAMI: partition input and aggregate outputs for model interpretation [69.42924964776766]
  本研究では、深層学習モデルが局所的な特徴を集約してモデル予測を行うという観察に基づいて、PAMIと呼ばれるシンプルで効果的な可視化フレームワークを提案する。 基本的な考え方は、入力の大多数を隠蔽し、元のモデル予測に対する保存された入力部の相対的な寄与として対応するモデル出力を使用することである。 複数のタスクに対する大規模な実験により,提案手法は,クラス固有の入力領域をより正確に見つけるために,既存の可視化手法よりも優れていることを確認した。
  論文  参考訳（メタデータ） (2023-02-07T08:48:34Z)
• Bayesian Neural Network Inference via Implicit Models and the Posterior Predictive Distribution [0.8122270502556371]
  本稿では,ベイズニューラルネットワークのような複雑なモデルにおいて,近似ベイズ推論を行うための新しい手法を提案する。 このアプローチはMarkov Chain Monte Carloよりも大規模データに対してスケーラブルである。 これは、サロゲートや物理モデルのような応用に有用であると考えています。
  論文  参考訳（メタデータ） (2022-09-06T02:43:19Z)
• Model-Based Parameter Optimization for Ground Texture Based Localization Methods [16.242924916178286]
  ロボットの正確な位置決めへの有望なアプローチは、地面テクスチャに基づくローカライゼーションである。 アプリケーション領域のサンプル画像の少数の収集しか必要としないローカライゼーション性能の予測モデルを導出する。
  論文  参考訳（メタデータ） (2021-09-03T14:29:36Z)
• Transformer-based Map Matching Model with Limited Ground-Truth Data using Transfer-Learning Approach [6.510061176722248]
  多くのトラジェクトリベースのアプリケーションでは、生のGPSトラジェクトリをデジタルマップの道路網にマッピングする必要がある。 本稿では,データの観点から地図マッチングの課題を考察し,深層学習に基づく地図マッチングモデルを提案する。 合成軌道データを生成し,トランスフォーマーモデルを事前学習し,有限個の接地トラスデータでモデルを微調整する。
  論文  参考訳（メタデータ） (2021-08-01T11:51:11Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Oops I Took A Gradient: Scalable Sampling for Discrete Distributions [53.3142984019796]
  このアプローチは、多くの困難な設定において、ジェネリックサンプリングよりも優れていることを示す。 また,高次元離散データを用いた深部エネルギーモデルトレーニングのための改良型サンプリング器についても実演した。
  論文  参考訳（メタデータ） (2021-02-08T20:08:50Z)

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。