Fugu-MT 論文翻訳(概要): Unlocking Layer-wise Relevance Propagation for Autoencoders

論文の概要: Unlocking Layer-wise Relevance Propagation for Autoencoders

arxiv url: http://arxiv.org/abs/2303.11734v1
Date: Tue, 21 Mar 2023 10:46:34 GMT
ステータス: 処理完了
システム内更新日: 2023-03-22 15:34:41.911970
Title: Unlocking Layer-wise Relevance Propagation for Autoencoders
Title（参考訳）: オートエンコーダの層間相関伝播の解法
Authors: Kenyu Kobayashi and Renata Khasanova and Arno Schneuwly and Felix Schmidt and Matteo Casserini
Abstract要約: 本稿では,Deep Taylor Decompositionフレームワークを用いた自動エンコーダの高速な説明可能性解を提案する。本結果は,提案した説明可能性解の定性的利点だけでなく,計算性にも焦点をあてるものである。
参考スコア（独自算出の注目度）: 3.0098885383612104
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Autoencoders are a powerful and versatile tool often used for various problems such as anomaly detection, image processing and machine translation. However, their reconstructions are not always trivial to explain. Therefore, we propose a fast explainability solution by extending the Layer-wise Relevance Propagation method with the help of Deep Taylor Decomposition framework. Furthermore, we introduce a novel validation technique for comparing our explainability approach with baseline methods in the case of missing ground-truth data. Our results highlight computational as well as qualitative advantages of the proposed explainability solution with respect to existing methods.
Abstract（参考訳）: オートエンコーダは、異常検出、画像処理、機械翻訳などの様々な問題によく使用される強力で多用途なツールである。しかし、それらの復元は必ずしも説明が容易ではない。そこで我々は,deep taylor decomposition framework を用いて層間相関伝播法を拡張することで,より高速に説明可能な解法を提案する。さらに,提案手法をベースライン法と比較する新たな検証手法を提案する。本研究は,既存手法に対する提案した説明可能性解の定性的利点と計算結果に焦点をあてるものである。

関連論文リスト

Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
論文参考訳（メタデータ） (2024-03-19T18:57:53Z)
Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
論文参考訳（メタデータ） (2023-12-25T18:51:23Z)
Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
論文参考訳（メタデータ） (2023-11-19T09:41:10Z)
Robust Explanation Constraints for Neural Networks [33.14373978947437]
ニューラルネットワークの意図で使われるポストホックな説明法は、しばしば彼らの出力を信頼するのに役立つと言われている。我々のトレーニング方法は、ニューラルネットワークを学習できる唯一の方法であり、6つのテストネットワークでテストされた堅牢性に関する洞察を持つ。
論文参考訳（メタデータ） (2022-12-16T14:40:25Z)
Deep unfolding as iterative regularization for imaging inverse problems [6.485466095579992]
ディープ展開法は、反復アルゴリズムを通じてディープニューラルネットワーク(DNN)の設計を導く。展開されたDNNが安定して収束することを証明する。提案手法が従来の展開法より優れていることを示す。
論文参考訳（メタデータ） (2022-11-24T07:38:47Z)
Supervised Dimensionality Reduction and Classification with Convolutional Autoencoders [1.1164202369517053]
畳み込みオートエンコーダを組み合わせることで、教師付き次元の減少と予測を同時に生成する。結果として得られるラテント空間は、伝統的な解釈可能な分類アルゴリズムを改善するために利用することができる。提案手法は, 生成した潜在空間を通してのデータ構造だけでなく, 分類行動についても, 高度な説明可能性を導入している。
論文参考訳（メタデータ） (2022-08-25T15:18:33Z)
A Meta-learning Formulation of the Autoencoder Problem [0.0]
オートエンコーダの正準定式化は,その性能を損なう可能性のあるいくつかの欠陥に悩まされていることを示す。自動エンコーダ問題を,次元削減タスクを明示的に解決する2段階最適化手順として再構成する。
論文参考訳（メタデータ） (2022-07-14T06:04:30Z)
Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文参考訳（メタデータ） (2021-11-27T12:12:57Z)
Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文参考訳（メタデータ） (2021-04-13T23:21:01Z)
Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文参考訳（メタデータ） (2020-07-03T15:19:17Z)
Robust Multi-object Matching via Iterative Reweighting of the Graph Connection Laplacian [15.813217907813778]
まず,本手法の厳密な限界と,反復的に再重み付けされた最小二乗法が不適切であることを明らかにする。これらの制約を考慮すると,高次地区からの情報を取り入れた,新しい,より信頼性の高い反復的再重み付け戦略を提案する。合成データと実データの両方を用いた最先端手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2020-06-11T17:53:01Z)

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。