論文の概要: Improving Attribution Methods by Learning Submodular Functions

• arxiv url: http://arxiv.org/abs/2104.09073v1
• Date: Mon, 19 Apr 2021 06:40:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 02:34:31.671168
• Title: Improving Attribution Methods by Learning Submodular Functions
• Title（参考訳）: 部分モジュラ関数学習による帰属法の改善
• Authors: Piyushi Manupriya, Saketha Nath Jagarlapudi, Tarun Ram Menta, Vineeth N Balasubramanian
• Abstract要約: サブモジュラースコアは、リターンを減少させる原理を正確にモデル化することが知られている。 実値アトリビューション写像と整合性のある深部サブモジュラ集合関数を学習するための新しい定式化を提案する。 複数のデータセットにおける実験により,提案手法は識別力の低下を伴わずに高い特異性を達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）: 17.27201513845661
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work explores the novel idea of learning a submodular scoring function to improve the specificity/selectivity of existing feature attribution methods. Submodular scores are natural for attribution as they are known to accurately model the principle of diminishing returns. A new formulation for learning a deep submodular set function that is consistent with the real-valued attribution maps obtained by existing attribution methods is proposed. This formulation not only ensures that the scores for the heat maps that include the highly attributed features across the existing methods are high, but also that the score saturates even for the most specific heat map. The final attribution value of a feature is then defined as the marginal gain in the induced submodular score of the feature in the context of other highly attributed features, thus decreasing the attribution of redundant yet discriminatory features. Experiments on multiple datasets illustrate that the proposed attribution method achieves higher specificity while not degrading the discriminative power.
• Abstract（参考訳）: 本研究は,既存の特徴帰属法の特異性と選択性を改善するために,サブモジュラースコアリング関数を学習する新しいアイデアを探求する。 サブモジュラースコアは帰属に自然であり、還元の原理を正確にモデル化することが知られている。 既存の帰属法で得られる実値帰属写像と一致する深い部分モジュラー集合関数を学習するための新しい定式化法を提案する。 この定式化により、既存の方法に共通する特徴を含むヒートマップのスコアが高いだけでなく、最も特定のヒートマップに対しても飽和度が高いことが保証される。 そして、特徴の最終帰属値は、他の高属性特徴の文脈における特徴の誘導された部分モジュラースコアの限界ゲインとして定義され、冗長で差別的な特徴の帰属が減少する。 複数のデータセットにおける実験により,提案手法は識別力の低下を伴わずに高い特異性を達成することが示されている。

関連論文リスト

• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Knowledge Diffusion for Distillation [53.908314960324915]
  知識蒸留(KD)における教師と学生の表現ギャップ これらの手法の本質は、ノイズ情報を捨て、その特徴の貴重な情報を蒸留することである。 DiffKDと呼ばれる新しいKD手法を提案し、拡散モデルを用いて特徴を明示的に識別し一致させる。
  論文  参考訳（メタデータ） (2023-05-25T04:49:34Z)
• Maximizing Submodular Functions for Recommendation in the Presence of Biases [25.081136190260015]
  サブセット選択タスクはシステムや検索エンジンで発生し、ユーザの価値を最大化する項目のサブセットを選択するように要求する。 多くの応用において、入力は出力サブセットの有用性を減らす社会的バイアスを持つことが観察されている。 公平性制約に基づく介入は,比例表現の確保だけでなく,バイアスの存在下での準最適性も達成できることを示す。
  論文  参考訳（メタデータ） (2023-05-03T15:20:00Z)
• Neural Estimation of Submodular Functions with Applications to Differentiable Subset Selection [50.14730810124592]
  サブモジュール関数と変種は、多様性とカバレッジを特徴付ける能力を通じて、データ選択と要約のための重要なツールとして登場した。 本稿では,モノトーンおよび非モノトーン部分モジュラー関数のためのフレキシブルニューラルネットワークであるFLEXSUBNETを提案する。
  論文  参考訳（メタデータ） (2022-10-20T06:00:45Z)
• Using Partial Monotonicity in Submodular Maximization [13.23676270963484]
  多くの標準部分モジュラーアルゴリズムに対して、単調性比に依存する新しい近似保証を証明できることが示される。 これにより、映画レコメンデーション、二次プログラミング、画像要約の一般的な機械学習応用に対する近似比が向上する。
  論文  参考訳（メタデータ） (2022-02-07T10:35:40Z)
• Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
  本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。 提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
  論文  参考訳（メタデータ） (2021-12-14T08:25:24Z)
• Removing Bias in Multi-modal Classifiers: Regularization by Maximizing Functional Entropies [88.0813215220342]
  いくつかのモダリティは、他のものよりも分類結果に容易に寄与することができる。 機能的エントロピーと機能的フィッシャー情報とを結合した対数ソボレフの不等式に基づく手法を開発した。 VQA-CPv2 と SocialIQ の2つの挑戦的マルチモーダルデータセットに対して,より均一にモダリティを活用しながら,最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-10-21T07:40:33Z)
• Continuous Submodular Function Maximization [91.17492610120324]
  連続部分モジュラリティ (continuous submodularity) は、幅広い応用を持つ関数のクラスである。 連続的な部分モジュラ最適化の応用は、影響、推論のMAP、フィールドへの推論など多岐にわたる。
  論文  参考訳（メタデータ） (2020-06-24T04:37:31Z)
• From Sets to Multisets: Provable Variational Inference for Probabilistic Integer Submodular Models [82.95892656532696]
  サブモジュール関数は機械学習やデータマイニングにおいて広く研究されている。 本研究では,整数部分モジュラ函数に対する連続DR-部分モジュラ拡張を提案する。 整数部分モジュラー関数によって定義される新しい確率モデルを定式化する。
  論文  参考訳（メタデータ） (2020-06-01T22:20:45Z)

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。