Fugu-MT 論文翻訳(概要): GAM: Explainable Visual Similarity and Classification via Gradient Activation Maps

論文の概要: GAM: Explainable Visual Similarity and Classification via Gradient Activation Maps

arxiv url: http://arxiv.org/abs/2109.00951v1
Date: Thu, 2 Sep 2021 13:53:08 GMT
ステータス: 処理完了
システム内更新日: 2021-09-03 18:03:03.746939
Title: GAM: Explainable Visual Similarity and Classification via Gradient Activation Maps
Title（参考訳）: GAM: グラディエントアクティベーションマップによる説明可能な視覚的類似性と分類
Authors: Oren Barkan, Omri Armstrong, Amir Hertz, Avi Caciularu, Ori Katz, Itzik Malkiel, Noam Koenigstein
Abstract要約: 本稿では,視覚的類似性や分類モデルによる予測を説明する機械である Activation Gradient Maps (GAM) を提案する。 GAMは、既存の代替手段と比較して、視覚的説明の改善を提供する。
参考スコア（独自算出の注目度）: 22.669064573397527
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We present Gradient Activation Maps (GAM) - a machinery for explaining predictions made by visual similarity and classification models. By gleaning localized gradient and activation information from multiple network layers, GAM offers improved visual explanations, when compared to existing alternatives. The algorithmic advantages of GAM are explained in detail, and validated empirically, where it is shown that GAM outperforms its alternatives across various tasks and datasets.
Abstract（参考訳）: 勾配活性化マップ (gam) - 視覚的類似性と分類モデルによる予測を説明する機械である。ローカライズされた勾配と複数のネットワーク層からのアクティベーション情報を収集することで、GAMは既存の代替手段と比較して視覚的説明を改善する。 GAMのアルゴリズム上の利点は詳細に説明され、実証的に検証され、GAMは様々なタスクやデータセットでその代替品よりも優れていることが示されている。

関連論文リスト

GAMformer: In-Context Learning for Generalized Additive Models [53.08263343627232]
本稿では,1つの前方パスにおけるGAMの形状関数を推定するために,文脈内学習を利用した最初の手法であるGAMformerを紹介する。実験の結果,GAMformerは様々な分類ベンチマークにおいて,他の主要なGAMと同等に動作することがわかった。
論文参考訳（メタデータ） (2024-10-06T17:28:20Z)
Generative and Contrastive Paradigms Are Complementary for Graph Self-Supervised Learning [56.45977379288308]
Masked Autoencoder (MAE)は、マスク付きグラフエッジやノード機能の再構築を学ぶ。 Contrastive Learning (CL)は、同じグラフの拡張ビュー間の類似性を最大化する。我々は,MAE と CL を統一するグラフコントラッシブマスク付きオートエンコーダ (GCMAE) フレームワークを提案する。
論文参考訳（メタデータ） (2023-10-24T05:06:06Z)
ODAM: Gradient-based instance-specific visual explanations for object detection [51.476702316759635]
勾配重み付き物体検出器活性化マップ(ODAM) ODAMは、各予測属性に対する検出器の決定に対する領域の影響を示す熱マップを生成する。そこで本研究では,重複検出対象を識別するために,各予測に対してモデルの説明情報を考慮したOdam-NMSを提案する。
論文参考訳（メタデータ） (2023-04-13T09:20:26Z)
Self-supervised Semi-implicit Graph Variational Auto-encoders with Masking [18.950919307926824]
自己教師付き変分グラフオートエンコーダ(VGAE)のファミリに基づくSeeeGeraモデルを提案する。 SeeGeraは、エンコーダのノードと機能の両方を同時に埋め込み、デコーダのリンクと機能の両方を再構築する。われわれは、SeeGeraと9つの最先端ライバルを比較した広範な実験を行っている。
論文参考訳（メタデータ） (2023-01-29T15:00:43Z)
What's Behind the Mask: Understanding Masked Graph Modeling for Graph Autoencoders [32.42097625708298]
MaskGAEはグラフ構造化データのための自己教師型学習フレームワークである。 MGMは原則化されたプリテキストタスクであり、エッジの一部を隠蔽し、部分的に可視で、マスキングされていないグラフ構造で欠落した部分を再構築しようとする。我々は,GAEとコントラスト学習の密接な関係を確立し,MGMがGAEの自己教師型学習方式を大幅に改善することを示す。
論文参考訳（メタデータ） (2022-05-20T09:45:57Z)
GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T02:58:36Z)
From Heatmaps to Structural Explanations of Image Classifiers [31.44267537307587]
この論文は、Deep Networkからいくつかの高レベルな概念を純粋に抽出し視覚化しようとする、説明可能なニューラルネットワーク(XNN)を説明することから始まる。重要な欠落点が信頼性の高いヒートマップ可視化ツールであることに気付き、I-GOSとiGOS++を開発した。研究プロセスを通じて、我々はディープネットワークの説明を構築する上での洞察について多くを学びました。
論文参考訳（メタデータ） (2021-09-13T23:39:57Z)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)
Mask guided attention for fine-grained patchy image classification [22.91753200323264]
きめ細かいパッチ画像分類のためのマスク誘導注意法(MGA)を提案する。提案手法の有効性を3つの公開パッチ画像データセットで検証する。我々のアブレーション研究は、MGAがSoyCultivarVeinおよびBtfPISデータセットの精度を2.25%、2%向上させることを示している。
論文参考訳（メタデータ） (2021-02-04T17:54:50Z)
Interpretable Learning-to-Rank with Generalized Additive Models [78.42800966500374]
ラーニング・ツー・ランクのモデルの解釈可能性は、非常に重要でありながら、比較的過小評価されている研究分野である。解釈可能なランキングモデルの最近の進歩は、主に既存のブラックボックスランキングモデルに対するポストホックな説明の生成に焦点を当てている。一般化加法モデル(GAM)をランキングタスクに導入することにより,本質的に解釈可能な学習 to ランクの基盤を築いた。
論文参考訳（メタデータ） (2020-05-06T01:51:30Z)

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。