論文の概要: Pattern-Guided Integrated Gradients
- arxiv url: http://arxiv.org/abs/2007.10685v2
- Date: Tue, 1 Sep 2020 11:33:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 04:13:03.545377
- Title: Pattern-Guided Integrated Gradients
- Title(参考訳): パターン誘導型統合勾配
- Authors: Robert Schwarzenberg, Steffen Castle
- Abstract要約: Integrated Gradients (IG) と PatternAttribution (PA) は、ニューラルネットワークの2つの確立された説明可能性手法である。
我々はこの2つの手法を新しい方法であるPGIG(Pattern-Guided Integrated Gradients)に組み合わせる。
PGIGは両方の親メソッドから重要な特性を継承し、元のメソッドが失敗するストレステストに合格する。
- 参考スコア(独自算出の注目度): 1.0863536797169149
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrated Gradients (IG) and PatternAttribution (PA) are two established
explainability methods for neural networks. Both methods are theoretically
well-founded. However, they were designed to overcome different challenges. In
this work, we combine the two methods into a new method, Pattern-Guided
Integrated Gradients (PGIG). PGIG inherits important properties from both
parent methods and passes stress tests that the originals fail. In addition, we
benchmark PGIG against nine alternative explainability approaches (including
its parent methods) in a large-scale image degradation experiment and find that
it outperforms all of them.
- Abstract(参考訳): Integrated Gradients (IG) と PatternAttribution (PA) は、ニューラルネットワークの2つの確立された説明可能性手法である。
どちらの方法も理論上は立派である。
しかし、それらは異なる課題を克服するために設計された。
本研究では,この2つの手法を新しい手法であるPGIG(Pattern-Guided Integrated Gradients)に統合する。
pgigは両方の親メソッドから重要な特性を継承し、オリジナルが失敗するストレステストに合格する。
さらに、大規模画像劣化実験において、PGIGを9つの代替説明可能性アプローチ(親法を含む)に対してベンチマークし、それら全てより優れていることを示す。
関連論文リスト
- Derivative-Free Diffusion Manifold-Constrained Gradient for Unified XAI [59.96044730204345]
微分自由拡散多様体制約勾配(FreeMCG)を導入する。
FreeMCGは、与えられたニューラルネットワークの説明可能性を改善する基盤として機能する。
提案手法は,XAIツールが期待する本質性を保ちながら,最先端の成果が得られることを示す。
論文 参考訳(メタデータ) (2024-11-22T11:15:14Z) - Sampling Strategies in Bayesian Inversion: A Study of RTO and Langevin Methods [0.5243460995467893]
本稿では,逆問題に対する2種類のサンプリング手法について検討する。
本稿では,2つのアプローチの主な概念的,理論的相違点を強調し,実践的な観点から比較する。
サンプリング手法の選択が再現の質に重大な影響を及ぼし,RTO法がパラメータの選択に対してより堅牢であることを示す。
論文 参考訳(メタデータ) (2024-06-24T14:08:27Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Transferable Adversarial Attack based on Integrated Gradients [14.901405127736886]
目的関数の最適化、注意マップの活用、意思決定面の平滑化という3つのアプローチは、通常、敵の例を作成するために用いられる。
本稿では,TAIG(Integrated Gradients)に基づくTransferable Attackというアルゴリズムを提案する。
直線経路上の積分勾配とランダムな片方向線形経路を演算する2種類のTAIGについて検討した。
論文 参考訳(メタデータ) (2022-05-26T04:59:28Z) - Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。
これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。
これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2021-05-14T00:53:03Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳(メタデータ) (2021-02-28T16:22:58Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-06T17:58:08Z) - Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。
提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
論文 参考訳(メタデータ) (2020-03-23T17:55:42Z)
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。