論文の概要: Schema Inference for Interpretable Image Classification

• arxiv url: http://arxiv.org/abs/2303.06635v2
• Date: Wed, 19 Jul 2023 12:05:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 17:35:33.411810
• Title: Schema Inference for Interpretable Image Classification
• Title（参考訳）: 解釈可能な画像分類のためのスキーマ推論
• Authors: Haofei Zhang, Mengqi Xue, Xiaokang Liu, Kaixuan Chen, Jie Song, Mingli Song
• Abstract要約: 本稿では,従来のディープニューラルネットワーク(DNN)の手法を再構築することにより,説明可能な予測を誘導的に推論することを学ぶ,スキーマ推論と呼ばれる新しい推論パラダイムについて検討する。 いくつかのベンチマークにおける理論的解析と実験結果は,提案したスキーマ推論が性能向上を実現することを示すものである。
• 参考スコア（独自算出の注目度）: 33.94994827510277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we study a novel inference paradigm, termed as schema inference, that learns to deductively infer the explainable predictions by rebuilding the prior deep neural network (DNN) forwarding scheme, guided by the prevalent philosophical cognitive concept of schema. We strive to reformulate the conventional model inference pipeline into a graph matching policy that associates the extracted visual concepts of an image with the pre-computed scene impression, by analogy with human reasoning mechanism via impression matching. To this end, we devise an elaborated architecture, termed as SchemaNet, as a dedicated instantiation of the proposed schema inference concept, that models both the visual semantics of input instances and the learned abstract imaginations of target categories as topological relational graphs. Meanwhile, to capture and leverage the compositional contributions of visual semantics in a global view, we also introduce a universal Feat2Graph scheme in SchemaNet to establish the relational graphs that contain abundant interaction information. Both the theoretical analysis and the experimental results on several benchmarks demonstrate that the proposed schema inference achieves encouraging performance and meanwhile yields a clear picture of the deductive process leading to the predictions. Our code is available at https://github.com/zhfeing/SchemaNet-PyTorch.
• Abstract（参考訳）: 本稿では,事前深層ニューラルネットワーク(dnn)フォワーディングスキームを再構築することにより,説明可能な予測を推論することを学ぶ,スキーマ推論(schema inference)と呼ばれる新しい推論パラダイムについて検討する。 従来のモデル推論パイプラインを、画像の抽出された視覚概念と予め計算されたシーン印象を関連付けるグラフマッチングポリシーに再構成し、印象マッチングによる人間の推論機構を例示する。 この目的のために、我々は、入力インスタンスの視覚的意味論と対象カテゴリの学習された抽象的想像をトポロジカルな関係グラフとしてモデル化する、提案するスキーマ推論概念の専用インスタンスとして、schemanetと呼ばれる精巧なアーキテクチャを考案する。 一方,視覚セマンティクスの構成的貢献をグローバルに捉え,活用するために,豊富なインタラクション情報を含むリレーショナルグラフを確立するために,schemanet の universal feat2graph スキームも導入する。 いくつかのベンチマークにおける理論解析と実験結果の両方が、提案するスキーマ推論が促進性能を達成し、一方、予測に繋がる帰納的過程を明確に示していることを示している。 私たちのコードはhttps://github.com/zhfeing/SchemaNet-PyTorch.comから入手可能です。

関連論文リスト

• Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
  グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。 グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。 本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
  論文  参考訳（メタデータ） (2024-07-03T14:07:41Z)
• Advancing Ante-Hoc Explainable Models through Generative Adversarial Networks [24.45212348373868]
  本稿では,視覚的分類タスクにおけるモデル解釈可能性と性能を向上させるための新しい概念学習フレームワークを提案する。 本手法では, 教師なし説明生成器を一次分類器ネットワークに付加し, 対角訓練を利用する。 この研究は、タスク整合概念表現を用いた本質的に解釈可能なディープビジョンモデルを構築するための重要なステップを示す。
  論文  参考訳（メタデータ） (2024-01-09T16:16:16Z)
• Concept Prerequisite Relation Prediction by Using Permutation-Equivariant Directed Graph Neural Networks [3.1688996975958306]
  CPRPは、概念の前提条件関係予測であり、AIを教育に利用する上での基本的な課題である。 Wesfeiler-Lehman 検定を GNN 学習に導入することにより,変分同変の有向 GNN モデルを提案する。 我々のモデルは最先端の手法よりも優れた予測性能を提供する。
  論文  参考訳（メタデータ） (2023-12-15T14:01:56Z)
• Graph Deep Learning for Time Series Forecasting [28.30604130617646]
  グラフに基づくディープラーニング手法は,関連時系列のコレクションを処理するツールとして人気を博している。 本稿では,予測問題を形式化し,グラフに基づく予測モデルの設計原則と,その性能評価手法を提供する包括的方法論フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T16:26:38Z)
• Graph-level Representation Learning with Joint-Embedding Predictive Architectures [43.89120279424267]
  JEPA(Joint-Embedding Predictive Architectures)は、自己指導型表現学習の斬新で強力な技術である。 グラフ結合埋め込み予測アーキテクチャ(Graph-JEPA)を提案することにより、このパラダイムを用いてグラフレベルの表現を効果的にモデル化できることを示す。 特に、マスク付きモデリングを採用し、コンテキストサブグラフの潜時表現から始まるマスク付きサブグラフの潜時表現を予測することに焦点をあてる。
  論文  参考訳（メタデータ） (2023-09-27T20:42:02Z)
• A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge Graphs [6.379544211152605]
  グラフニューラルネットワークは、グラフ構造化データ上での表現学習のための顕著なモデルである。 私たちの目標は、知識グラフのためのグラフニューラルネットワークのランドスケープを体系的に理解することです。
  論文  参考訳（メタデータ） (2023-02-04T17:40:03Z)
• Progressive Tree-Structured Prototype Network for End-to-End Image Captioning [74.8547752611337]
  本稿では,新しいプログレッシブツリー構造型プロトタイプネットワーク(PTSN)を提案する。 PTSNは、階層的テキスト意味論をモデル化することによって、適切な意味論で予測語の範囲を狭める最初の試みである。 提案手法は,144.2%(シングルモデル),146.5%(4モデルのアンサンブル),141.4%(c5),143.9%(c40)のCIDErを公式オンラインテストサーバ上でスコアする。
  論文  参考訳（メタデータ） (2022-11-17T11:04:00Z)
• Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
  既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。 本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。 また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
  論文  参考訳（メタデータ） (2022-05-20T02:50:15Z)
• Self-Supervised Graph Representation Learning via Topology Transformations [61.870882736758624]
  本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。 実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-25T06:11:03Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。