論文の概要: Ablation Path Saliency

• arxiv url: http://arxiv.org/abs/2209.12459v2
• Date: Fri, 28 Apr 2023 16:39:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 17:39:16.107323
• Title: Ablation Path Saliency
• Title（参考訳）: Ablation Path Saliency
• Authors: Justus Sagem\"uller, Olivier Verdier
• Abstract要約: ブラックボックス分類を説明するために, 様々な方法が提案されている。 しかしながら、これらの手法のいくつかは、単一のより一般的な手順のエッジケースと見なすことができる。 さらに, アブレーションパスは, 独自の技術として直接利用できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Various types of saliency methods have been proposed for explaining black-box classification. In image applications, this means highlighting the part of the image that is most relevant for the current decision. Unfortunately, the different methods may disagree and it can be hard to quantify how representative and faithful the explanation really is. We observe however that several of these methods can be seen as edge cases of a single, more general procedure based on finding a particular path through the classifier's domain. This offers additional geometric interpretation to the existing methods. We demonstrate furthermore that ablation paths can be directly used as a technique of its own right. This is able to compete with literature methods on existing benchmarks, while giving more fine-grained information and better opportunities for validation of the explanations' faithfulness.
• Abstract（参考訳）: ブラックボックスの分類を説明するために,様々な方法が提案されている。 画像アプリケーションでは、これは現在の決定に最も関係のある画像の一部を強調することを意味する。 残念ながら、異なる方法が一致し、説明がいかに代表的で忠実であるかを定量化することは困難である。 しかしながら、これらの手法のいくつかは、分類器の領域を通した特定の経路の探索に基づいて、単一のより一般的な手順のエッジケースと見なすことができる。 これは既存の手法に幾何学的解釈を加える。 さらに, アブレーションパスをそれ自体の技術として直接利用できることを示す。 これは既存のベンチマークの文献手法と競合し、より詳細な情報を提供し、説明の忠実さを検証する機会を得られる。

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)
• Classification Metrics for Image Explanations: Towards Building Reliable XAI-Evaluations [0.24578723416255752]
  解像度法は、入力画像に対して(超)画素単位の特徴属性スコアを提供する。 新たな評価指標を開発し,イメージネット上で一般的な評価手法をベンチマークした。 心理測定テストの概念に基づく,そのような指標の信頼性評価手法を提案する。
  論文  参考訳（メタデータ） (2024-06-07T16:37:50Z)
• Recent Advances in Scene Image Representation and Classification [1.8369974607582584]
  本稿では,画像分類に広く用いられている既存のシーン画像表現手法について概説する。 我々は、その性能を質的に(例えば、出力の品質、pros/consなど)、量的に(例えば、精度)比較する。 本稿では,従来のコンピュータビジョン(CV)ベースの手法,ディープラーニング(DL)ベースの手法,検索エンジン(SE)ベースの手法について,最近のシーン画像表現手法の詳細な知見と応用について述べる。
  論文  参考訳（メタデータ） (2022-06-15T07:12:23Z)
• What You See is What You Classify: Black Box Attributions [61.998683569022006]
  我々は、トレーニング済みのブラックボックス分類器であるExpplanandumの属性を予測するために、ディープネットワークであるExplainerを訓練する。 既存のほとんどのアプローチとは異なり、我々の手法はクラス固有のマスクを直接生成することができる。 我々の属性は、視覚的および定量的に確立された方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-23T12:30:04Z)
• Disentangling A Single MR Modality [15.801648254480487]
  本稿では,単一モード磁気共鳴画像から理論的・実用的に優れた歪みを学習する新しい枠組みを提案する。 歪みを定量的に評価する新しい情報に基づく計量法を提案する。
  論文  参考訳（メタデータ） (2022-05-10T15:40:12Z)
• Instance Similarity Learning for Unsupervised Feature Representation [83.31011038813459]
  教師なし特徴表現のための例類似性学習(ISL)手法を提案する。 我々はGAN(Generative Adversarial Networks)を用いて、基礎となる特徴多様体をマイニングする。 画像分類実験は, 最先端手法と比較して, 提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2021-08-05T16:42:06Z)
• Combining Similarity and Adversarial Learning to Generate Visual Explanation: Application to Medical Image Classification [0.0]
  学習フレームワークを活用して視覚的説明法を作成する。 文献のメトリクスを用いることで,この手法は最先端のアプローチよりも優れています。 大規模な胸部X線データベース上でのアプローチを検証する。
  論文  参考訳（メタデータ） (2020-12-14T08:34:12Z)
• Visualization of Supervised and Self-Supervised Neural Networks via Attribution Guided Factorization [87.96102461221415]
  クラスごとの説明性を提供するアルゴリズムを開発した。 実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
  論文  参考訳（メタデータ） (2020-12-03T18:48:39Z)
• 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)
• There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
  正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。 このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。 本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:58:08Z)

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。