Fugu-MT 論文翻訳(概要): Constructive Interpretability with CoLabel: Corroborative Integration, Complementary Features, and Collaborative Learning

論文の概要: Constructive Interpretability with CoLabel: Corroborative Integration, Complementary Features, and Collaborative Learning

arxiv url: http://arxiv.org/abs/2205.10011v1
Date: Fri, 20 May 2022 08:01:55 GMT
ステータス: 処理完了
システム内更新日: 2022-05-24 03:43:15.865889
Title: Constructive Interpretability with CoLabel: Corroborative Integration, Complementary Features, and Collaborative Learning
Title（参考訳）: CoLabelによる構成的解釈可能性:協調的統合、補完的特徴、協調的学習
Authors: Abhijit Suprem, Sanjyot Vaidya, Suma Cherkadi, Purva Singh, Joao Eduardo Ferreira, Calton Pu
Abstract要約: CoLabelは、解釈可能なモデルを構築するためのアプローチである。 CoLabelは最先端のブラックボックスモデルよりも優れており、CompCars、Cars196、BoxCars116Kの精度は0.98、0.95、0.94である。
参考スコア（独自算出の注目度）: 2.0632440472879514
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning models with explainable predictions are increasingly sought after, especially for real-world, mission-critical applications that require bias detection and risk mitigation. Inherent interpretability, where a model is designed from the ground-up for interpretability, provides intuitive insights and transparent explanations on model prediction and performance. In this paper, we present CoLabel, an approach to build interpretable models with explanations rooted in the ground truth. We demonstrate CoLabel in a vehicle feature extraction application in the context of vehicle make-model recognition (VMMR). CoLabel performs VMMR with a composite of interpretable features such as vehicle color, type, and make, all based on interpretable annotations of the ground truth labels. First, CoLabel performs corroborative integration to join multiple datasets that each have a subset of desired annotations of color, type, and make. Then, CoLabel uses decomposable branches to extract complementary features corresponding to desired annotations. Finally, CoLabel fuses them together for final predictions. During feature fusion, CoLabel harmonizes complementary branches so that VMMR features are compatible with each other and can be projected to the same semantic space for classification. With inherent interpretability, CoLabel achieves superior performance to the state-of-the-art black-box models, with accuracy of 0.98, 0.95, and 0.94 on CompCars, Cars196, and BoxCars116K, respectively. CoLabel provides intuitive explanations due to constructive interpretability, and subsequently achieves high accuracy and usability in mission-critical situations.
Abstract（参考訳）: 特にバイアス検出とリスク軽減を必要とする現実のミッションクリティカルなアプリケーションでは、説明可能な予測を備えた機械学習モデルがますます求められている。モデルが解釈可能性のための基礎から設計される固有の解釈可能性は、モデル予測とパフォーマンスに関する直感的な洞察と透過的な説明を提供する。本稿では,基底真理に根ざした解釈可能なモデルを構築するための手法であるcolabelを提案する。車両形状認識(VMMR)における特徴抽出アプリケーションにおけるCoLabelの実証を行った。 CoLabelはVMMRを車両の色、型、メイクなどの解釈可能な特徴の複合体で実行し、いずれも基底真理ラベルの解釈可能なアノテーションに基づいている。まず、CoLabelは、色、型、メイクの望ましいアノテーションのサブセットを持つ複数のデータセットと結合するために、相関的な統合を実行する。次に、CoLabelは分解可能なブランチを使用して、所望のアノテーションに対応する補完的な特徴を抽出する。最後に、CoLabelは最終的な予測のためにそれらを融合する。機能融合の間、CoLabelは補完的なブランチを調和させ、VMMR機能は互いに互換性があり、分類のために同じセマンティックスペースに投影できる。固有の解釈可能性により、CoLabelは最先端のブラックボックスモデルよりも優れた性能を発揮し、CompCars、Cars196、BoxCars116Kの精度は0.98、0.95、0.94である。 CoLabelは、建設的な解釈可能性による直感的な説明を提供し、ミッションクリティカルな状況下で高い精度とユーザビリティを達成する。

関連論文リスト

CoA: Chain-of-Action for Generative Semantic Labels [5.016605351534376]
CoA(Chain-of-Action)メソッドは、画像の文脈的に関連する特徴に沿ったラベルを生成する。 CoAは、豊かで価値のある文脈情報が推論時の生成性能を改善するという観察に基づいて設計されている。
論文参考訳（メタデータ） (2024-11-26T13:09:14Z)
Scribbles for All: Benchmarking Scribble Supervised Segmentation Across Datasets [51.74296438621836]
Scribbles for Allは、スクリブルラベルに基づいて訓練されたセマンティックセグメンテーションのためのラベルおよびトレーニングデータ生成アルゴリズムである。弱い監督の源泉としてのスクリブルの主な制限は、スクリブルセグメンテーションのための挑戦的なデータセットの欠如である。 Scribbles for Allは、いくつかの人気のあるセグメンテーションデータセットのスクリブルラベルを提供し、密集したアノテーションを持つデータセットのスクリブルラベルを自動的に生成するアルゴリズムを提供する。
論文参考訳（メタデータ） (2024-08-22T15:29:08Z)
KGxBoard: Explainable and Interactive Leaderboard for Evaluation of Knowledge Graph Completion Models [76.01814380927507]
KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
論文参考訳（メタデータ） (2022-08-23T15:11:45Z)
Multi-View Correlation Consistency for Semi-Supervised Semantic Segmentation [59.34619548026885]
半教師付きセマンティックセグメンテーションは、ラベルなしデータのリッチで堅牢な監視を必要とする。本稿では,異なるビュー間の画素・画素対応を保証するビューコヒーレントなデータ拡張戦略を提案する。 2つのデータセットの半教師付き設定では、最先端の手法と比較して、競争の正確さが報告される。
論文参考訳（メタデータ） (2022-08-17T17:59:11Z)
MSeg: A Composite Dataset for Multi-domain Semantic Segmentation [100.17755160696939]
セマンティックセグメンテーションデータセットを異なるドメインから統合する合成データセットであるMSegを提案する。一般化と画素レベルのアノテーションのアライメントを調整し,2万枚以上のオブジェクトマスクを8万枚以上の画像で再現する。 MSegでトレーニングされたモデルは、WildDash-v1のリーダーボードで、トレーニング中にWildDashのデータに触れることなく、堅牢なセマンティックセグメンテーションのためにランク付けされている。
論文参考訳（メタデータ） (2021-12-27T16:16:35Z)
Cross-Model Pseudo-Labeling for Semi-Supervised Action Recognition [98.25592165484737]
CMPL(Cross-Model Pseudo-Labeling)と呼ばれる,より効果的な擬似ラベル方式を提案する。 CMPLは、それぞれRGBモダリティとラベル付きデータのみを使用して、Kinetics-400とUCF-101のTop-1の精度を17.6%と25.1%で達成している。
論文参考訳（メタデータ） (2021-12-17T18:59:41Z)
Gaussian Mixture Variational Autoencoder with Contrastive Learning for Multi-Label Classification [27.043136219527767]
本稿では,新しいコントラスト学習促進型マルチラベル予測モデルを提案する。教師付き環境でのコントラスト学習を用いることで,ラベル情報を効果的に活用することができる。学習した埋め込みがラベルとラベルの相互作用の解釈に洞察を与えることを示す。
論文参考訳（メタデータ） (2021-12-02T04:23:34Z)
Label-Free Model Evaluation with Semi-Structured Dataset Representations [78.54590197704088]
ラベルなしモデル評価(AutoEval)は、ラベルなしテストセットでモデル精度を推定する。画像ラベルがない場合、データセット表現に基づいて、回帰を伴うAutoEvalのモデル性能を推定する。本稿では,AutoEvalのリッチな情報を含む回帰学習のための半構造化データセット表現を提案する。
論文参考訳（メタデータ） (2021-12-01T18:15:58Z)
Knowledge Graph-Augmented Abstractive Summarization with Semantic-Driven Cloze Reward [42.925345819778656]
本稿では,グラフ拡張と意味駆動型RewarDによる抽象要約のための新しいフレームワークであるASGARDを紹介する。本稿では,2つのエンコーダ(シーケンシャル文書エンコーダ)とグラフ構造化エンコーダ(グラフ構造化エンコーダ)の利用を提案する。その結果、我々のモデルは、New York TimesとCNN/Daily Mailのデータセットからの入力として、知識グラフのない変種よりもはるかに高いROUGEスコアを生成することがわかった。
論文参考訳（メタデータ） (2020-05-03T18:23:06Z)
Multi-Label Text Classification using Attention-based Graph Neural Network [0.0]
ラベル間の注意的依存構造を捉えるために,グラフアテンションネットワークに基づくモデルを提案する。提案モデルでは, 従来の最先端モデルと比較して, 類似あるいは良好な性能が得られた。
論文参考訳（メタデータ） (2020-03-22T17:12:43Z)

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。