論文の概要: Augmentative eXplanation and the Distributional Gap of Confidence Optimization Score

• arxiv url: http://arxiv.org/abs/2201.00009v1
• Date: Thu, 30 Dec 2021 12:46:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-05 04:57:07.309567
• Title: Augmentative eXplanation and the Distributional Gap of Confidence Optimization Score
• Title（参考訳）: 信頼度最適化スコアの増補的説明と分布的ギャップ
• Authors: Erico Tjoa, Hong Jing Khok, Tushar Chouhan, Guan Cuntai
• Abstract要約: 本稿では, 信頼度最適化(CO)スコアを導入し, モデルの分類性能に対するヒートマップ/信頼性マップの寄与度を計測する。 eXplainable Artificial Intelligence (XAI)コミュニティで使用される一般的なヒートマップ生成方法は、Augmentative eXplanation (AX)と呼ばれるプロセスを通じてテストされる。 我々は,これらの熱マップ法におけるCOの分布に驚くべきテキストギャップがあることを見出した。このギャップは,ディープニューラルネットワーク(DNN)予測の正確性を示す新しい指標となる可能性がある。
• 参考スコア（独自算出の注目度）: 0.28675177318965034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces the Confidence Optimization (CO) score to directly measure the contribution of heatmaps/saliency maps to the classification performance of a model. Common heatmap generation methods used in the eXplainable Artificial Intelligence (XAI) community are tested through a process we call the Augmentative eXplanation (AX). We find a surprising \textit{gap} in CO scores distribution on these heatmap methods. The gap potentially serves as a novel indicator for the correctness of deep neural network (DNN) prediction. We further introduces Generative AX (GAX) method to generate saliency maps capable of attaining high CO scores. Using GAX, we also qualitatively demonstrate the unintuitiveness of DNN architectures.
• Abstract（参考訳）: 本稿では, 信頼度最適化(CO)スコアを導入し, モデルの分類性能に対するヒートマップ/サービスマップの寄与を直接測定する。 eXplainable Artificial Intelligence (XAI)コミュニティで使用される一般的なヒートマップ生成方法は、Augmentative eXplanation (AX)と呼ばれるプロセスを通じてテストされる。 これらのヒートマップ法で co スコア分布に驚くべき \textit{gap} が現れる。 このギャップは、ディープニューラルネットワーク(dnn)予測の正確性の新しい指標となる可能性がある。 さらに,高CO値が得られるようなサリエンシマップを生成するGAX(Generative AX)手法についても紹介する。 また,GAXを用いてDNNアーキテクチャの非直感性を定性的に示す。

関連論文リスト

• Scoreformer: A Surrogate Model For Large-Scale Prediction of Docking Scores [0.0]
  分子ドッキングスコアを正確に予測するために設計された新しいグラフトランスフォーマモデルであるScoreFormerを提案する。 ScoreFormerはドッキングスコア予測の競争性能を達成し、既存のモデルに比べて1.65倍の推論時間削減を実現している。
  論文  参考訳（メタデータ） (2024-06-13T17:31:02Z)
• Bayesian Layer Graph Convolutioanl Network for Hyperspetral Image Classification [24.91896527342631]
  グラフ畳み込みネットワーク(GCN)ベースのモデルは、素晴らしいパフォーマンスを示している。 点推定に基づくディープラーニングフレームワークは、一般化が低く、分類結果の不確実性を定量化できない。 本稿では,点推定に基づくニューラルネットワークへの挿入層としてベイズ的アイデアを用いたベイズ的層を提案する。 HSIデータセットのサンプル不均衡問題を解決するためにGAN(Generative Adversarial Network)が構築されている。
  論文  参考訳（メタデータ） (2022-11-14T12:56:56Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
  次世代のスケーラブル因果発見手法の設計方法について述べる。 本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T21:34:46Z)
• Crime Prediction with Graph Neural Networks and Multivariate Normal Distributions [18.640610803366876]
  グラフ畳み込みネットワーク(GCN)のフレキシブルな構造を利用して,高分解能領域における疎結合問題に取り組む。 グラフ畳み込みGated Recurrent Units (Graph-ConvGRU) を用いてモデルを構築し,空間的・時間的・カテゴリー的関係を学習する。 モデルが生成性だけでなく,正確性も示しています。
  論文  参考訳（メタデータ） (2021-11-29T17:37:01Z)
• Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
  ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。 この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。 この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
  論文  参考訳（メタデータ） (2020-08-19T12:35:55Z)
• Graph-PCNN: Two Stage Human Pose Estimation with Graph Pose Refinement [54.29252286561449]
  グラフPCNNと呼ばれる2段階のグラフベースおよびモデルに依存しないフレームワークを提案する。 第1段階では、粗局化結果を得るために熱マップ回帰ネットワークを適用し、ガイドポイントと呼ばれる一連の提案キーポイントをサンプリングする。 第2段階では、各案内点について、ローカライゼーションにより異なる視覚特徴を抽出する。 ガイドされた点間の関係は、より正確なローカライゼーション結果を得るためにグラフポーズ精製モジュールによって探索される。
  論文  参考訳（メタデータ） (2020-07-21T04:59:15Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。