Fugu-MT 論文翻訳(概要): Diffusion Models for Counterfactual Explanations

論文の概要: Diffusion Models for Counterfactual Explanations

arxiv url: http://arxiv.org/abs/2203.15636v1
Date: Tue, 29 Mar 2022 14:59:31 GMT
ステータス: 処理完了
システム内更新日: 2022-03-30 14:00:08.653768
Title: Diffusion Models for Counterfactual Explanations
Title（参考訳）: 反事実説明のための拡散モデル
Authors: Guillaume Jeanneret, Lo\"ic Simon and Fr\'ed\'eric Jurie
Abstract要約: 本稿では,近年の拡散モデルを用いた対実画像生成手法であるDMEを提案する。提案手法は, 誘導生成拡散過程を利用して, 対象分類器の勾配を用いて入力インスタンスの反実的説明を生成する方法を示す。実験により,提案アルゴリズムはCelebAの6つの指標のうち5つに対して,前回のState-of-the-Art結果を上回っていることがわかった。
参考スコア（独自算出の注目度）: 0.7366405857677227
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Counterfactual explanations have shown promising results as a post-hoc framework to make image classifiers more explainable. In this paper, we propose DiME, a method allowing the generation of counterfactual images using the recent diffusion models. By leveraging the guided generative diffusion process, our proposed methodology shows how to use the gradients of the target classifier to generate counterfactual explanations of input instances. Further, we analyze current approaches to evaluate spurious correlations and extend the evaluation measurements by proposing a new metric: Correlation Difference. Our experimental validations show that the proposed algorithm surpasses previous State-of-the-Art results on 5 out of 6 metrics on CelebA.
Abstract（参考訳）: 画像分類器をより説明しやすいものにするための、ポストホックフレームワークとして有望な結果を示している。本稿では,近年の拡散モデルを用いた対物画像生成手法であるDMEを提案する。提案手法は, 誘導生成拡散過程を利用して, 対象分類器の勾配を用いて入力インスタンスの反実的説明を生成する方法を示す。さらに,スプリアス相関を評価するための現在のアプローチを分析し,新しい指標である相関差分を提案することにより評価値を拡張する。実験結果から,提案アルゴリズムはcelebaの6つの指標のうち5つにおいて,これまでの結果を上回ることがわかった。

関連論文リスト

Rethinking Distance Metrics for Counterfactual Explainability [53.436414009687]
本研究では, 反事実を参照領域から独立して引き出すのではなく, 基礎となるデータ分布からの参照と共同してサンプリングする, 反事実生成手法のフレーミングについて検討する。我々は、幅広い設定に適用可能な、反ファクト的な類似性のために調整された距離メートル法を導出する。
論文参考訳（メタデータ） (2024-10-18T15:06:50Z)
Operator-informed score matching for Markov diffusion models [8.153690483716481]
本稿では、マルコフ拡散モデルが他の種類の拡散モデルよりも有利であり、関連する演算子をトレーニングプロセスを改善するために利用することができることを論じる。低次元と高次元の拡散モデルの両方で容易に実装可能な分散低減手法である演算子インフォームドスコアマッチングを提案する。
論文参考訳（メタデータ） (2024-06-13T13:07:52Z)
Explaining Modern Gated-Linear RNNs via a Unified Implicit Attention Formulation [54.50526986788175]
効率的なシーケンスモデリングの最近の進歩は、Mamba、RWKV、および様々なゲートRNNのような注意のないレイヤーを生み出している。我々はこれらのモデルの統一的なビューを示し、暗黙の因果自己注意層のような層を定式化する。筆者らのフレームワークは,異なるレイヤに対する類似の基盤となるメカニズムを比較検討し,説明可能性の手法を直接適用する手段を提供する。
論文参考訳（メタデータ） (2024-05-26T09:57:45Z)
ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
論文参考訳（メタデータ） (2024-03-21T17:52:08Z)
Causal Generative Explainers using Counterfactual Inference: A Case Study on the Morpho-MNIST Dataset [5.458813674116228]
本稿では,視覚的特徴と因果的要因の影響を研究するために,生成的対実的推論手法を提案する。我々は,OmnixAIオープンソースツールキットの視覚的説明手法を用いて,提案手法との比較を行った。このことから,本手法は因果的データセットの解釈に極めて適していることが示唆された。
論文参考訳（メタデータ） (2024-01-21T04:07:48Z)
Fast Diffusion EM: a diffusion model for blind inverse problems with application to deconvolution [0.0]
現在の手法では、劣化が知られており、復元と多様性の点で印象的な結果をもたらすと仮定している。本研究では、これらのモデルの効率を活用し、復元された画像と未知のパラメータを共同で推定する。本手法は,拡散モデルから抽出したサンプルを用いて,問題の対数類似度を近似し,未知のモデルパラメータを推定する方法とを交互に比較する。
論文参考訳（メタデータ） (2023-09-01T06:47:13Z)
Conditional Diffusion Models for Weakly Supervised Medical Image Segmentation [18.956306942099097]
条件拡散モデル(CDM)は、特定の分布の対象となる画像を生成することができる。我々は,対象対象物の予測マスクを取得するために,CDMに隠されたカテゴリ認識意味情報を利用する。本手法は,2つの医用画像セグメンテーションデータセット上で,最先端のCAMおよび拡散モデル法より優れる。
論文参考訳（メタデータ） (2023-06-06T17:29:26Z)
Reduce, Reuse, Recycle: Compositional Generation with Energy-Based Diffusion Models and MCMC [102.64648158034568]
拡散モデルは、多くの領域において、生成モデリングの一般的なアプローチとなっている。本稿では,新しい構成演算子の利用を可能にする拡散モデルのエネルギーベースパラメータ化を提案する。これらのサンプルは、幅広い問題にまたがって構成生成の顕著な改善につながっている。
論文参考訳（メタデータ） (2023-02-22T18:48:46Z)
A Variational Perspective on Diffusion-Based Generative Models and Score Matching [8.93483643820767]
連続時間生成拡散の確率推定のための変分フレームワークを導出する。本研究は,プラグイン逆SDEの可能性の低い境界を最大化することと,スコアマッチング損失の最小化が等価であることを示す。
論文参考訳（メタデータ） (2021-06-05T05:50:36Z)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文参考訳（メタデータ） (2021-03-18T12:57:34Z)

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。