論文の概要: Extending Explainable Boosting Machines to Scientific Image Data
- arxiv url: http://arxiv.org/abs/2305.16526v1
- Date: Thu, 25 May 2023 23:07:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 17:47:35.804087
- Title: Extending Explainable Boosting Machines to Scientific Image Data
- Title（参考訳）: 説明可能なブースティングマシンを科学画像データに拡張する
- Authors: Daniel Schug, Sai Yerramreddy, Rich Caruana, Craig Greenberg, and
Justyna P. Zwolak
- Abstract要約: 説明可能なブースティングマシン(EBM)は、非常に優れたモデルと同等のパフォーマンスを解釈し、達成することができる。
冷原子ソリトン画像データにESMを適用し,その際に初めて画像データに対するEMMを実演する。
提案手法は,画像に対する他の最先端の説明可能性手法よりも優れた説明を提供することを示す。
- 参考スコア（独自算出の注目度）: 6.011746419562188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the deployment of computer vision technology becomes increasingly common
in applications of consequence such as medicine or science, the need for
explanations of the system output has become a focus of great concern.
Unfortunately, many state-of-the-art computer vision models are opaque, making
their use challenging from an explanation standpoint, and current approaches to
explaining these opaque models have stark limitations and have been the subject
of serious criticism. In contrast, Explainable Boosting Machines (EBMs) are a
class of models that are easy to interpret and achieve performance on par with
the very best-performing models, however, to date EBMs have been limited solely
to tabular data. Driven by the pressing need for interpretable models in
science, we propose the use of EBMs for scientific image data. Inspired by an
important application underpinning the development of quantum technologies, we
apply EBMs to cold-atom soliton image data, and, in doing so, demonstrate EBMs
for image data for the first time. To tabularize the image data we employ Gabor
Wavelet Transform-based techniques that preserve the spatial structure of the
data. We show that our approach provides better explanations than other
state-of-the-art explainability methods for images.
- Abstract（参考訳）: 医学や科学といった結果の応用においてコンピュータビジョン技術の展開が一般化するにつれて、システム出力の説明の必要性が大きな関心事となっている。
残念ながら、最先端のコンピュータビジョンモデルの多くは不透明であり、説明の観点からの使用を困難にしており、不透明なモデルを説明する現在のアプローチは極めて制限があり、深刻な批判の対象となっている。
対照的に、説明可能なブースティングマシン(ebms)は、非常に優れたパフォーマンスモデルと同等の性能を解釈し達成しやすいモデルのクラスであるが、現在までebmは表データのみに限定されている。
科学における解釈可能なモデルの必要性が高まる中、ebmを科学的画像データに利用することを提案する。
量子技術の発展を支える重要な応用に触発されて、冷たい原子のソリトン画像データにebmsを適用し、その際に初めて画像データに対するebmsを実証する。
画像データの表化には,データの空間構造を保存するガボールウェーブレット変換を用いた手法を用いる。
提案手法は,画像の最先端説明可能性手法よりも優れた説明を提供する。
関連論文リスト
- Enabling High Data Throughput Reinforcement Learning on GPUs: A Domain Agnostic Framework for Data-Driven Scientific Research [90.91438597133211]
我々は、強化学習の適用において重要なシステムのボトルネックを克服するために設計されたフレームワークであるWarpSciを紹介する。
我々は、CPUとGPU間のデータ転送の必要性を排除し、数千のシミュレーションを同時実行可能にする。
論文 参考訳（メタデータ） (2024-08-01T21:38:09Z) - Speech Emotion Recognition under Resource Constraints with Data Distillation [64.36799373890916]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす。
モノのインターネットにおけるエッジデバイスの出現は、複雑なディープラーニングモデルを構築する上での課題を示している。
本研究では,IoTアプリケーションにおけるSERモデルの効率的な開発を容易にするためのデータ蒸留フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-21T13:10:46Z) - Enhancing Counterfactual Image Generation Using Mahalanobis Distance with Distribution Preferences in Feature Space [7.00851481261778]
人工知能(AI)の領域では、説明可能な人工知能(XAI)の重要性がますます認識されている。
1つの注目すべきシングルインスタンスXAIアプローチは、モデルの決定を理解するのに役立つ、反ファクトな説明である。
本稿では,ブラックボックスモデルの特徴空間における特徴量の重要性を計算するための新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-31T08:26:53Z) - Harnessing Machine Learning for Discerning AI-Generated Synthetic Images [2.6227376966885476]
我々は、AI生成画像と実画像の識別に機械学習技術を用いる。
ResNet、VGGNet、DenseNetといった先進的なディープラーニングアーキテクチャを洗練し、適応しています。
実験結果は重要であり、最適化されたディープラーニングモデルが従来の手法より優れていることを示した。
論文 参考訳（メタデータ） (2024-01-14T20:00:37Z) - Learning and Controlling Silicon Dopant Transitions in Graphene using
Scanning Transmission Electron Microscopy [58.51812955462815]
単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。
データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。
これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
論文 参考訳（メタデータ） (2023-11-21T21:51:00Z) - Multimodal Deep Learning for Scientific Imaging Interpretation [0.0]
本研究では,SEM(Scanning Electron Microscopy)画像と人間のような相互作用を言語的にエミュレートし,評価するための新しい手法を提案する。
本稿では,ピアレビュー記事から収集したテキストデータとビジュアルデータの両方から洞察を抽出する。
我々のモデル (GlassLLaVA) は, 正確な解釈, 重要な特徴の同定, 未確認のSEM画像の欠陥の検出に優れる。
論文 参考訳（メタデータ） (2023-09-21T20:09:22Z) - Explainable, Physics Aware, Trustworthy AI Paradigm Shift for Synthetic
Aperture Radar [5.164409209168982]
本稿では,SAR(Synthetic Aperture Radar)データを対象としたデータサイエンスにおける説明可能性のパラダイム変更を提案する。
明確に確立されたモデルに基づいた説明可能なデータ変換を使用して、AIメソッドのインプットを生成することを目指している。
論文 参考訳（メタデータ） (2023-01-09T09:22:13Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。
機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。
本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文 参考訳（メタデータ） (2022-07-26T02:10:15Z) - Data-Driven Discovery of Molecular Photoswitches with Multioutput
Gaussian Processes [51.17758371472664]
フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。
本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。
提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
論文 参考訳（メタデータ） (2020-06-28T20:59:03Z) - A Critical and Moving-Forward View on Quantum Image Processing [4.857479640387091]
量子画像処理(QIMP)は、画像やビデオから視覚情報を保存、処理、検索する能力を強化することを目的としている。
期待されているのは、量子力学系の性質をQIMPで活用することで、先進的な技術の実現がもたらされるということである。
論文 参考訳（メタデータ） (2020-06-15T20:38:25Z)
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。