論文の概要: DeDUCE: Generating Counterfactual Explanations Efficiently

• arxiv url: http://arxiv.org/abs/2111.15639v1
• Date: Mon, 29 Nov 2021 17:47:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 13:28:05.205534
• Title: DeDUCE: Generating Counterfactual Explanations Efficiently
• Title（参考訳）: DeDUCE: 事実上の説明を効果的に生成する
• Authors: Benedikt H\"oltgen, Lisa Schut, Jan M. Brauner and Yarin Gal
• Abstract要約: 我々は,スペクトル正規化を訓練した大規模画像分類器に対して,計算コストの低い反実的説明を提供するアルゴリズムを開発した。 我々は、このアルゴリズムを文献のベースラインと経験的に比較し、新しいアルゴリズムは、元の入力にずっと近い反事実を常に発見する。
• 参考スコア（独自算出の注目度）: 26.300599540027893
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: When an image classifier outputs a wrong class label, it can be helpful to see what changes in the image would lead to a correct classification. This is the aim of algorithms generating counterfactual explanations. However, there is no easily scalable method to generate such counterfactuals. We develop a new algorithm providing counterfactual explanations for large image classifiers trained with spectral normalisation at low computational cost. We empirically compare this algorithm against baselines from the literature; our novel algorithm consistently finds counterfactuals that are much closer to the original inputs. At the same time, the realism of these counterfactuals is comparable to the baselines. The code for all experiments is available at https://github.com/benedikthoeltgen/DeDUCE.
• Abstract（参考訳）: 画像分類器が間違ったクラスラベルを出力すると、画像のどの変更が正しい分類につながるかを確認するのに役立ちます。 これは、反事実的説明を生成するアルゴリズムの目的である。 しかし,そのような反事実を生成するためのスケーラブルな手法は存在しない。 我々は,スペクトル正規化を訓練した大規模画像分類器に対して,計算コストの低い反実的説明を提供するアルゴリズムを開発した。 我々は、このアルゴリズムを文献のベースラインと経験的に比較し、新しいアルゴリズムは、元の入力にずっと近い反事実を常に見つける。 同時に、これらの反事実のリアリズムは、ベースラインと同等である。 すべての実験のコードはhttps://github.com/benedikthoeltgen/deduceで入手できる。

関連論文リスト

• A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
  本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。 汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。 MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
  論文  参考訳（メタデータ） (2024-07-19T08:29:12Z)
• BEBLID: Boosted efficient binary local image descriptor [2.8538628855541397]
  本稿では,効率の良いバイナリ画像記述子であるBEBLIDを紹介する。 以前の実数値ディスクリプタであるBELIDを改善して,マッチングと精度の向上を実現しています。 実験では BEBLID は SIFT に近い精度で ORB よりも計算効率が良い。
  論文  参考訳（メタデータ） (2024-02-07T00:14:32Z)
• An Explainable Model-Agnostic Algorithm for CNN-based Biometrics Verification [55.28171619580959]
  本稿では,生体認証環境下でのLIME(Local Interpretable Model-Agnostic Explanations)AI手法の適用について述べる。
  論文  参考訳（メタデータ） (2023-07-25T11:51:14Z)
• Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
  従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。 マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。 また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T11:25:35Z)
• visClust: A visual clustering algorithm based on orthogonal projections [0.0]
  visClustは、低次元のデータ表現と視覚解釈に基づく新しいクラスタリングアルゴリズムである。 コードはGitHubで公開されており、簡単に利用できる。
  論文  参考訳（メタデータ） (2022-11-07T22:56:23Z)
• This is not the Texture you are looking for! Introducing Novel Counterfactual Explanations for Non-Experts using Generative Adversarial Learning [59.17685450892182]
  反実用説明システムは、入力画像を変更して反実用推論を可能にする。 本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。 その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-12-22T10:08:05Z)
• Semi-supervised Sparse Representation with Graph Regularization for Image Classification [1.370633147306388]
  画像分類のための識別半教師付きスパース表現アルゴリズムを提案する。 提案アルゴリズムは,関連する一般的な手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2020-11-11T09:16:48Z)
• StreamSoNG: A Soft Streaming Classification Approach [7.70734146948411]
  我々はニューラルガスのプロトタイプをフットプリントとして利用する新しいストリーミング分類アルゴリズムを提案する。 このアプローチは、合成および実画像データセットでテストされる。 本稿では,Adaptive Random Forest,Very Fast Decision Rules,およびDenStreamアルゴリズムに基づく他の3つのストリーミング分類器との比較を行った。
  論文  参考訳（メタデータ） (2020-10-01T18:22:04Z)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)
• Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
  本稿では,効率よく適応的なコード駆動グラフを提案する。 自動エンコーダのコンテキストでデコードすることで更新される。 ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
  論文  参考訳（メタデータ） (2020-02-27T05:58:12Z)

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。