論文の概要: Making Sense of Dependence: Efficient Black-box Explanations Using
Dependence Measure
- arxiv url: http://arxiv.org/abs/2206.06219v1
- Date: Mon, 13 Jun 2022 14:49:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 20:41:39.682389
- Title: Making Sense of Dependence: Efficient Black-box Explanations Using
Dependence Measure
- Title(参考訳): 依存の感覚を作る: 依存度測定を用いた効率的なブラックボックス説明
- Authors: Paul Novello, Thomas Fel, David Vigouroux
- Abstract要約: 本稿では,Hilbert-Schmidt Independence Criterion(HSIC)に基づく,効率的なブラックボックス属性法を提案する。
HSICは、入力画像の領域と分布のカーネル埋め込みに基づくモデルの出力の依存性を測定する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a new efficient black-box attribution method based on
Hilbert-Schmidt Independence Criterion (HSIC), a dependence measure based on
Reproducing Kernel Hilbert Spaces (RKHS). HSIC measures the dependence between
regions of an input image and the output of a model based on kernel embeddings
of distributions. It thus provides explanations enriched by RKHS representation
capabilities. HSIC can be estimated very efficiently, significantly reducing
the computational cost compared to other black-box attribution methods. Our
experiments show that HSIC is up to 8 times faster than the previous best
black-box attribution methods while being as faithful. Indeed, we improve or
match the state-of-the-art of both black-box and white-box attribution methods
for several fidelity metrics on Imagenet with various recent model
architectures. Importantly, we show that these advances can be transposed to
efficiently and faithfully explain object detection models such as YOLOv4.
Finally, we extend the traditional attribution methods by proposing a new
kernel enabling an orthogonal decomposition of importance scores based on HSIC,
allowing us to evaluate not only the importance of each image patch but also
the importance of their pairwise interactions.
- Abstract(参考訳): 本稿では,カーネルヒルベルト空間(rkhs)の再現に基づく従属尺度であるヒルベルト・シュミット独立基準(hsic)に基づく,新しい効率的なブラックボックス帰属法を提案する。
hsicは、分布のカーネル埋め込みに基づく入力画像の領域とモデルの出力の間の依存性を測定する。
したがって、RKHS表現能力に富んだ説明を提供する。
HSICは、他のブラックボックス属性法と比較して計算コストを大幅に削減することができる。
実験の結果,HSICは従来最高のブラックボックス属性法よりも最大8倍高速であり,忠実であることがわかった。
実際、画像ネット上の複数の忠実度指標に対して、ブラックボックスとホワイトボックスの両方の属性法を、最新のモデルアーキテクチャで改善または適合させる。
ここでは, YOLOv4などの物体検出モデルに対して, 効率よく, 忠実に説明できることを示す。
最後に,hsicに基づく重要度スコアの直交分解を可能にする新たなカーネルを提案することで,従来の帰属法を拡張することにより,各画像パッチの重要性だけでなく,その対関係の重要性も評価できる。
関連論文リスト
- Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳(メタデータ) (2024-01-17T09:01:29Z) - DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus
Segmentation [68.43628183890007]
ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。
まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。
次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
論文 参考訳(メタデータ) (2023-09-01T01:01:13Z) - Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。
そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文 参考訳(メタデータ) (2023-03-06T11:51:28Z) - Meta-Learned Kernel For Blind Super-Resolution Kernel Estimation [22.437479940607332]
本稿では,画像の分布に含まれる情報からメタ学習を行う学習学習アプローチを提案する。
提案手法は,既存手法よりも14.24~102.1倍高速に推算できることを示す。
論文 参考訳(メタデータ) (2022-12-15T15:11:38Z) - Cross-Camera Deep Colorization [10.254243409261898]
本稿では,カラープラスモノデュアルカメラシステムからの画像の整列と融合を行う,エンドツーエンドの畳み込みニューラルネットワークを提案する。
提案手法は,約10dBPSNRゲインの大幅な改善を継続的に達成する。
論文 参考訳(メタデータ) (2022-08-26T11:02:14Z) - Time to Focus: A Comprehensive Benchmark Using Time Series Attribution
Methods [4.9449660544238085]
本論文は時系列解析といくつかの最先端属性手法のベンチマークに焦点をあてる。
本実験では, 勾配および摂動に基づく帰属法について検討した。
その結果,最も適した帰属法を選択することは,所望のユースケースと強く相関していることが示唆された。
論文 参考訳(メタデータ) (2022-02-08T10:06:13Z) - Meta-Learning Hypothesis Spaces for Sequential Decision-making [79.73213540203389]
オフラインデータ(Meta-KeL)からカーネルをメタ学習することを提案する。
穏やかな条件下では、推定されたRKHSが有効な信頼セットを得られることを保証します。
また,ベイズ最適化におけるアプローチの有効性を実証的に評価した。
論文 参考訳(メタデータ) (2022-02-01T17:46:51Z) - Look at the Variance! Efficient Black-box Explanations with Sobol-based
Sensitivity Analysis [29.43533545491625]
本稿では,感性分析に基礎を置き,ソボの指標を用いた新しい帰属法について述べる。
提案手法は,視覚(および言語モデル)の標準ベンチマークにおいて,好適なスコアとなることを示す。
論文 参考訳(メタデータ) (2021-11-07T18:01:36Z) - The Unreasonable Effectiveness of Patches in Deep Convolutional Kernels
Methods [0.0]
本稿では,畳み込みカーネル法の性能向上の鍵となる,データ依存型特徴抽出手法の重要性を示す。
この手法を挑戦的なImageNetデータセットにスケールアップし、そのような単純なアプローチが既存のすべての非学習表現メソッドを超えることを示した。
論文 参考訳(メタデータ) (2021-01-19T09:30:58Z) - Gaussian MRF Covariance Modeling for Efficient Black-Box Adversarial
Attacks [86.88061841975482]
我々は,ゼロオーダーのオラクルにのみアクセス可能なブラックボックス設定において,逆例を生成する問題について検討する。
我々はこの設定を用いて、FGSM(Fast Gradient Sign Method)のブラックボックス版と同様に、高速な1ステップの敵攻撃を見つける。
提案手法はクエリを少なくし,現在の技術よりも攻撃成功率が高いことを示す。
論文 参考訳(メタデータ) (2020-10-08T18:36:51Z) - Perceptron Synthesis Network: Rethinking the Action Scale Variances in
Videos [48.57686258913474]
ビデオアクション認識は、固定サイズの3Dカーネルを積み重ねたCNNによって部分的に解決されている。
データから最適なスケールのカーネルを学習することを提案する。
固定サイズのカーネルの袋からカーネルを生成するために,テキスト分割パーセプトロンシンセサイザーを提案する。
論文 参考訳(メタデータ) (2020-07-22T14:22:29Z)
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。