論文の概要: Look at the Variance! Efficient Black-box Explanations with Sobol-based Sensitivity Analysis

• arxiv url: http://arxiv.org/abs/2111.04138v1
• Date: Sun, 7 Nov 2021 18:01:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 13:48:03.735407
• Title: Look at the Variance! Efficient Black-box Explanations with Sobol-based Sensitivity Analysis
• Title（参考訳）: 変数を見てください! sobolに基づく感度解析によるブラックボックスの効率的な説明
• Authors: Thomas Fel, Remi Cadene, Mathieu Chalvidal, Matthieu Cord, David Vigouroux, Thomas Serre
• Abstract要約: 本稿では,感性分析に基礎を置き,ソボの指標を用いた新しい帰属法について述べる。 提案手法は,視覚(および言語モデル)の標準ベンチマークにおいて,好適なスコアとなることを示す。
• 参考スコア（独自算出の注目度）: 29.43533545491625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We describe a novel attribution method which is grounded in Sensitivity Analysis and uses Sobol indices. Beyond modeling the individual contributions of image regions, Sobol indices provide an efficient way to capture higher-order interactions between image regions and their contributions to a neural network's prediction through the lens of variance. We describe an approach that makes the computation of these indices efficient for high-dimensional problems by using perturbation masks coupled with efficient estimators to handle the high dimensionality of images. Importantly, we show that the proposed method leads to favorable scores on standard benchmarks for vision (and language models) while drastically reducing the computing time compared to other black-box methods -- even surpassing the accuracy of state-of-the-art white-box methods which require access to internal representations. Our code is freely available: https://github.com/fel-thomas/Sobol-Attribution-Method
• Abstract（参考訳）: 本稿では,感度解析に基礎を置き,sobolインデックスを用いた新しい帰属法について述べる。 画像領域の個々の寄与をモデル化するだけでなく、sobolインデックスは、画像領域間の高次相互作用とその分散レンズによるニューラルネットワークの予測への寄与を捉える効率的な方法を提供する。 画像の高次元性を扱うために、摂動マスクと効率的な推定器を組み合わせることで、これらの指標の計算を高次元問題に対して効率的にする手法について述べる。 重要なのは、提案手法が視覚(および言語モデル)の標準ベンチマークにおいて、他のブラックボックス法に比べて計算時間を劇的に短縮する一方で、内部表現へのアクセスを必要とする最先端のホワイトボックス法の精度を上回ることさえも示すことである。 私たちのコードは無償で利用可能です。

関連論文リスト

• Learning from small data sets: Patch-based regularizers in inverse problems for image reconstruction [1.1650821883155187]
  機械学習の最近の進歩は、ネットワークを訓練するために大量のデータとコンピュータ能力を必要とする。 本稿は,ごく少数の画像のパッチを考慮に入れることで,小さなデータセットから学習する問題に対処する。 本稿では,Langevin Monte Carlo法を用いて後部を近似することにより,不確実な定量化を実現する方法を示す。
  論文  参考訳（メタデータ） (2023-12-27T15:30:05Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• FMapping: Factorized Efficient Neural Field Mapping for Real-Time Dense RGB SLAM [3.6985351289638957]
  本稿では,リアルタイム高密度RGB SLAMにおける色付き点クラウドマップの連続的推定を容易にする,効率的なニューラルネットワークマッピングフレームワークであるFMappingを紹介する。 本稿では,シーン表現のための効果的な因子化手法を提案し,シーン再構成の不確実性を低減するためのスライディングウィンドウ戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-01T11:51:46Z)
• Learning Partial Correlation based Deep Visual Representation for Image Classification [61.0532370259644]
  CNNの新たな構造層としてスパース逆共分散推定(SICE)を定式化する。 本研究は,部分的相関に基づく深部視覚表現を求め,小さなサンプル問題を緩和する。 実験により,本モデルの有効性と優れた分類性能が示された。
  論文  参考訳（メタデータ） (2023-04-23T10:09:01Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• Making Sense of Dependence: Efficient Black-box Explanations Using Dependence Measure [0.0]
  本稿では,Hilbert-Schmidt Independence Criterion(HSIC)に基づく,効率的なブラックボックス属性法を提案する。 HSICは、入力画像の領域と分布のカーネル埋め込みに基づくモデルの出力の依存性を測定する。
  論文  参考訳（メタデータ） (2022-06-13T14:49:17Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Grassmannian learning mutual subspace method for image set recognition [43.24089871099157]
  本稿では,画像の集合を入力とするオブジェクト認識の問題に対処する(例えば,複数のカメラソースとビデオフレーム)。 本稿では,CNN上に埋め込まれたNN層であるG-LMSM(Grassmannian Learning mutual subspace method)を提案する。 提案手法は,手形認識,顔の識別,顔の感情認識における有効性を示す。
  論文  参考訳（メタデータ） (2021-11-08T09:16:36Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Texture image classification based on a pseudo-parabolic diffusion model [0.0]
  提案手法は、確立されたベンチマークテクスチャデータベースの分類と、植物種認識の実践的な課題について検証する。 画像の同種領域内では、擬似放物的演算子が、うる限りノイズの多い詳細を滑らかにすることができることで、優れた性能を大いに正当化することができる。
  論文  参考訳（メタデータ） (2020-11-14T00:04:07Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)

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。