論文の概要: Diffeomorphic Counterfactuals with Generative Models
- arxiv url: http://arxiv.org/abs/2206.05075v1
- Date: Fri, 10 Jun 2022 13:14:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 15:32:04.791703
- Title: Diffeomorphic Counterfactuals with Generative Models
- Title(参考訳): 生成モデルを用いた微分同相反事実
- Authors: Ann-Kathrin Dombrowski, Jan E. Gerken, Klaus-Robert M\"uller, Pan
Kessel
- Abstract要約: そこで本研究では,そのような反事実を簡易かつ効果的に生成する手法を提案する。
より具体的には、適切な微分同相座標変換を行い、次にこれらの座標の勾配上昇を行い、特定の対象クラスとして大きな信頼度で分類された反事実を見つける。
- 参考スコア(独自算出の注目度): 2.9822184411723645
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Counterfactuals can explain classification decisions of neural networks in a
human interpretable way. We propose a simple but effective method to generate
such counterfactuals. More specifically, we perform a suitable diffeomorphic
coordinate transformation and then perform gradient ascent in these coordinates
to find counterfactuals which are classified with great confidence as a
specified target class. We propose two methods to leverage generative models to
construct such suitable coordinate systems that are either exactly or
approximately diffeomorphic. We analyze the generation process theoretically
using Riemannian differential geometry and validate the quality of the
generated counterfactuals using various qualitative and quantitative measures.
- Abstract(参考訳): counterfactualsは、人間の解釈可能な方法でニューラルネットワークの分類決定を説明することができる。
このような反事実を生成するための単純だが効果的な方法を提案する。
より具体的には、適切な微分同相座標変換を行い、次にこれらの座標の勾配上昇を行い、特定の対象クラスとして非常に信頼度の高い反事実を見つける。
生成モデルを利用して、正確にあるいはほぼ微分同型な適切な座標系を構築する2つの方法を提案する。
理論的にはリーマン微分幾何を用いて生成過程を解析し、様々な定性的および定量的尺度を用いて生成した反事実の質を検証する。
関連論文リスト
- Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳(メタデータ) (2023-05-17T17:47:19Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Learning Differential Invariants of Planar Curves [12.699486382844393]
平面曲線の微分不変量の数値近似の学習パラダイムを提案する。
深層ニューラルネットワーク(DNN)の普遍近似特性を用いて幾何学的測度を推定する。
論文 参考訳(メタデータ) (2023-03-06T19:30:43Z) - A Geometric Perspective on Variational Autoencoders [0.0]
本稿では、完全に幾何学的な視点から、変分オートエンコーダフレームワークの新たな解釈を提案する。
このスキームを使うことで、バニラVAEと競合し、いくつかのベンチマークデータセットのより高度なバージョンよりも優れていることが示される。
論文 参考訳(メタデータ) (2022-09-15T15:32:43Z) - Topographic VAEs learn Equivariant Capsules [84.33745072274942]
本稿では, 地理的に整理された潜伏変数を用いた深部生成モデルを効率的に学習するための新しい手法であるTopographic VAEを紹介する。
このようなモデルでは,MNIST上での桁数クラス,幅,スタイルなどの健全な特徴に応じて,その活性化を組織化することが実際に学べることが示される。
我々は、既存の群同変ニューラルネットワークの能力を拡張して、複素変換に近似した同値性を示す。
論文 参考訳(メタデータ) (2021-09-03T09:25:57Z) - Manifold learning-based polynomial chaos expansions for high-dimensional
surrogate models [0.0]
システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。
提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
論文 参考訳(メタデータ) (2021-07-21T00:24:15Z) - Convolutional Hough Matching Networks [39.524998833064956]
畳み込みマッチングにおけるハフ変換の視点を導入し、畳み込みハフマッチング(CHM)と呼ばれる効果的な幾何マッチングアルゴリズムを提案する。
半等方性高次元カーネルを持つ学習可能な神経層にキャストし、少数の解釈可能なパラメータとの非剛性マッチングを学習した。
本手法は,意味的視覚対応のための標準ベンチマークの新たな技術を確立し,クラス内変動に対する強固さを証明した。
論文 参考訳(メタデータ) (2021-03-31T06:17:03Z) - Generative Archimedean Copulas [27.705956325584026]
多次元累積分布関数(CDF)をコーミュラ形式で学習するための新しい生成モデリング手法を提案する。
我々はアルキメデスと階層的アルキメデスのコプラと呼ばれるある種のコプラを、その相似表現と異なる尾の依存関係をモデル化する能力で人気があると考えている。
論文 参考訳(メタデータ) (2021-02-22T20:45:40Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-25T14:00:18Z) - Model identification and local linear convergence of coordinate descent [74.87531444344381]
循環座標降下は、幅広い種類の関数に対して有限時間でモデル同定を達成することを示す。
また、座標降下に対する局所収束速度を明示的に証明する。
論文 参考訳(メタデータ) (2020-10-22T16:03:19Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳(メタデータ) (2020-06-05T20:54:11Z)
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。