論文の概要: Neural Prototype Trees for Interpretable Fine-grained Image Recognition

• arxiv url: http://arxiv.org/abs/2012.02046v2
• Date: Thu, 15 Apr 2021 08:49:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 15:14:31.150528
• Title: Neural Prototype Trees for Interpretable Fine-grained Image Recognition
• Title（参考訳）: きめ細かい画像認識のための神経原型木
• Authors: Meike Nauta, Ron van Bree, Christin Seifert
• Abstract要約: プロトタイプベースの手法は、深層学習モデルのブラックボックスの性質に対処するために解釈可能な表現を使用する。 本稿では,微粒化画像認識のための内在的に解釈可能なディープラーニング手法であるニューラルプロトタイプツリー(ProtoTree)を提案する。
• 参考スコア（独自算出の注目度）: 1.0312968200748116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prototype-based methods use interpretable representations to address the black-box nature of deep learning models, in contrast to post-hoc explanation methods that only approximate such models. We propose the Neural Prototype Tree (ProtoTree), an intrinsically interpretable deep learning method for fine-grained image recognition. ProtoTree combines prototype learning with decision trees, and thus results in a globally interpretable model by design. Additionally, ProtoTree can locally explain a single prediction by outlining a decision path through the tree. Each node in our binary tree contains a trainable prototypical part. The presence or absence of this learned prototype in an image determines the routing through a node. Decision making is therefore similar to human reasoning: Does the bird have a red throat? And an elongated beak? Then it's a hummingbird! We tune the accuracy-interpretability trade-off using ensemble methods, pruning and binarizing. We apply pruning without sacrificing accuracy, resulting in a small tree with only 8 learned prototypes along a path to classify a bird from 200 species. An ensemble of 5 ProtoTrees achieves competitive accuracy on the CUB-200- 2011 and Stanford Cars data sets. Code is available at https://github.com/M-Nauta/ProtoTree
• Abstract（参考訳）: プロトタイプベースの手法では、解釈可能な表現を用いて深層学習モデルのブラックボックスの性質に対処する。 本稿では,細粒画像認識のための本質的解釈可能なディープラーニング手法であるneural prototype tree(prototree)を提案する。 prototreeはプロトタイプ学習と決定木を組み合わせることで、設計によってグローバルに解釈可能なモデルとなる。 さらに、ProtoTreeは、ツリーを通る決定パスをアウトラインすることで、単一の予測をローカルに説明できる。 バイナリツリーの各ノードには、トレーニング可能なプロトタイプ部分が含まれています。 画像中のこの学習されたプロトタイプの有無は、ノードへのルーティングを決定する。 そのため、意思決定は人間の推論と似ている: 鳥は赤い喉を持っているか? そして、長いくちばしは? そしてハチドリだ! 我々は,アンサンブル法,プルーニング法,二元化法を用いて,精度-解釈可能性のトレードオフをチューニングする。 精度を犠牲にすることなく刈り取りを施し,200種から鳥を分類する経路に沿って8つの学習済みのプロトタイプを持つ小さな木を育てた。 5 ProtoTreesのアンサンブルは、CUB-200-2011とスタンフォード・カーズ・データセットの競争精度を達成する。 コードはhttps://github.com/M-Nauta/ProtoTreeで入手できる。

関連論文リスト

• TreeFormer: Single-view Plant Skeleton Estimation via Tree-constrained Graph Generation [13.507708659476064]
  木制約グラフ生成による植物骨格推定装置であるTreeFormerを提案する。 学習に基づくグラフ生成と従来のグラフアルゴリズムを組み合わせることで,学習ループの制約を課す。 実験の結果,本手法は複数領域の植物骨格構造を正確に推定できることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T06:43:20Z)
• Decision Trees for Interpretable Clusters in Mixture Models and Deep Representations [5.65604054654671]
  混合モデルに対する説明可能性-雑音比の概念を導入する。 本研究では,混合モデルを入力として,データに依存しない時間に適切な木を構築するアルゴリズムを提案する。 結果の決定ツリーの誤り率について,上と下の境界を証明した。
  論文  参考訳（メタデータ） (2024-11-03T14:00:20Z)
• Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
  メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。 我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
  論文  参考訳（メタデータ） (2024-02-06T07:40:53Z)
• ViTree: Single-path Neural Tree for Step-wise Interpretable Fine-grained Visual Categorization [56.37520969273242]
  細かな視覚分類のための新しいアプローチであるViTreeを紹介する。 ツリーパスをトラバースすることで、ViTreeは変換処理された機能からパッチを効果的に選択し、情報のあるローカルリージョンをハイライトする。 このパッチとパスの選択性は、ViTreeのモデルの解釈可能性を高め、モデルの内部動作に関するより良い洞察を可能にする。
  論文  参考訳（メタデータ） (2024-01-30T14:32:25Z)
• Lidar-based Norwegian tree species detection using deep learning [0.36651088217486427]
  本稿では,ライダーデータのみを用いた深層学習に基づく木種分類モデルを提案する。 このモデルは、部分的な弱いラベルに対する焦点損失で訓練される。 本モデルでは,独立検証におけるマクロ平均F1スコア0.70を達成する。
  論文  参考訳（メタデータ） (2023-11-10T14:01:05Z)
• Characterizing Intrinsic Compositionality in Transformers with Tree Projections [72.45375959893218]
  トランスのようなニューラルモデルは、入力の異なる部分間で情報を任意にルーティングすることができる。 3つの異なるタスクに対するトランスフォーマーは、トレーニングの過程でより木のようなものになることを示す。 これらの木はモデル挙動を予測し、より木のようなモデルは構成的一般化のテストにおいてより良く一般化する。
  論文  参考訳（メタデータ） (2022-11-02T17:10:07Z)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)
• Active-LATHE: An Active Learning Algorithm for Boosting the Error Exponent for Learning Homogeneous Ising Trees [75.93186954061943]
  我々は、$rho$が少なくとも0.8$である場合に、エラー指数を少なくとも40%向上させるアルゴリズムを設計し、分析する。 我々の分析は、グラフの一部により多くのデータを割り当てるために、微小だが検出可能なサンプルの統計的変動を巧みに活用することに基づいている。
  論文  参考訳（メタデータ） (2021-10-27T10:45:21Z)
• Dive into Decision Trees and Forests: A Theoretical Demonstration [0.0]
  決定木は"divide-and-conquer"の戦略を使用して、入力機能とラベル間の依存性に関する複雑な問題を小さなものに分割します。 近年, 計算広告, 推薦システム, 情報検索などの性能が大幅に向上している。
  論文  参考訳（メタデータ） (2021-01-20T16:47:59Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Learning Binary Decision Trees by Argmin Differentiation [34.9154848754842]
  ダウンストリームタスクのためにデータを分割するバイナリ決定木を学びます。 離散パラメータの混合整数プログラムを緩和する。 我々は、前方と後方のパスを効率的に計算するアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-10-09T15:11:28Z)

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。