論文の概要: Mixture of Gaussian-distributed Prototypes with Generative Modelling for
Interpretable Image Classification
- arxiv url: http://arxiv.org/abs/2312.00092v1
- Date: Thu, 30 Nov 2023 11:01:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 16:59:37.390847
- Title: Mixture of Gaussian-distributed Prototypes with Generative Modelling for
Interpretable Image Classification
- Title(参考訳): 画像分類のためのgaussian-distributed prototypesとgenerative modellingの混合
- Authors: Chong Wang, Yuanhong Chen, Fengbei Liu, Davis James McCarthy, Helen
Frazer, Gustavo Carneiro
- Abstract要約: 本稿では,Gaussian Mixed Model(GMM)で表されるMGProtoという,プロトタイプ分布の新たな生成学習について述べる。
CUB-200-2011、Stanford Cars、Stanford Dogs、およびOxford-IIIT Petsデータセットに関する実験は、MGProtoが最新技術分類とOoD検出性能を達成し、解釈可能性の向上を図っていることを示している。
- 参考スコア(独自算出の注目度): 15.303610605543746
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Prototypical-part interpretable methods, e.g., ProtoPNet, enhance
interpretability by connecting classification predictions to class-specific
training prototypes, thereby offering an intuitive insight into their
decision-making. Current methods rely on a discriminative classifier trained
with point-based learning techniques that provide specific values for
prototypes. Such prototypes have relatively low representation power due to
their sparsity and potential redundancy, with each prototype containing no
variability measure. In this paper, we present a new generative learning of
prototype distributions, named Mixture of Gaussian-distributed Prototypes
(MGProto), which are represented by Gaussian mixture models (GMM). Such an
approach enables the learning of more powerful prototype representations since
each learned prototype will own a measure of variability, which naturally
reduces the sparsity given the spread of the distribution around each
prototype, and we also integrate a prototype diversity objective function into
the GMM optimisation to reduce redundancy. Incidentally, the generative nature
of MGProto offers a new and effective way for detecting out-of-distribution
samples. To improve the compactness of MGProto, we further propose to prune
Gaussian-distributed prototypes with a low prior. Experiments on CUB-200-2011,
Stanford Cars, Stanford Dogs, and Oxford-IIIT Pets datasets show that MGProto
achieves state-of-the-art classification and OoD detection performances with
encouraging interpretability results.
- Abstract(参考訳): ProtoPNetのような原型部分解釈法は、分類予測とクラス固有の訓練プロトタイプを結びつけることによって解釈可能性を高め、意思決定に関する直感的な洞察を提供する。
現在の手法は、プロトタイプの特定の値を提供するポイントベース学習技術で訓練された識別的分類器に依存している。
これらの試作機は、その幅と潜在的な冗長性のため、表現力が比較的低く、各試作機は可変度を含まない。
本稿では,gaussian mixed model (gmm) で表現されるgaussian-distributed prototypes (mgproto) を混合した,プロトタイプ分布の新たな生成学習について述べる。
このようなアプローチにより、学習した各プロトタイプが可変性の尺度を持っているため、より強力なプロトタイプ表現の学習が可能となり、各プロトタイプ周辺の分布が広がると、自然にスパーシティを低減し、また、プロトタイプの多様性の目的関数をgmm最適化に統合して冗長性を低減することができる。
ちなみに、MGProtoの生成特性は、配布外サンプルを検出する新しい効果的な方法を提供する。
MGProtoのコンパクト性を改善するために,より低い先行性でガウス分布の試作機を提案する。
CUB-200-2011、Stanford Cars、Stanford Dogs、およびOxford-IIIT Petsデータセットに関する実験は、MGProtoが最新技術分類とOoD検出性能を達成し、解釈可能性の向上を図っていることを示している。
関連論文リスト
- Boundary-Refined Prototype Generation: A General End-to-End Paradigm for
Semi-Supervised Semantic Segmentation [34.88132191766558]
原型に基づく分類は機械学習の古典的手法であり,近年,半教師付きセマンティックセマンティックセグメンテーションにおいて顕著な成功を収めている。
そこで本研究では,BRPG(Border-refined prototype generation)法を提案する。
提案手法は,クラス境界に近いプロトタイプを生成することを目的として,信頼性しきい値に基づいて,高信頼度と低信頼度の特徴を別々にサンプリングし,クラスタ化する。
論文 参考訳(メタデータ) (2023-07-19T16:12:37Z) - ProtoDiff: Learning to Learn Prototypical Networks by Task-Guided
Diffusion [44.805452233966534]
プロトタイプベースのメタ学習は、数発の学習課題に対処するための強力なテクニックとして登場した。
ランダムノイズからタスク固有のプロトタイプを徐々に生成するフレームワークであるProtoDiffを紹介する。
我々は、基礎となるプロトタイプの分布を正確に捉える能力を示すために、徹底的なアブレーション研究を行っている。
論文 参考訳(メタデータ) (2023-06-26T15:26:24Z) - A differentiable Gaussian Prototype Layer for explainable Segmentation [3.258592531141818]
勾配に基づくプロトタイプ学習のための勾配ベースのプロトタイプ層を導入する。
説明可能なニューラルネットワークのための新しいビルディングブロックとして使用できることを示す。
論文 参考訳(メタデータ) (2023-06-25T22:33:21Z) - Prototypical Calibration for Few-shot Learning of Language Models [84.5759596754605]
GPTライクなモデルは、さまざまな手作りテンプレートやデモ順列にまたがる脆弱であると認識されている。
ゼロショットと少数ショットの分類において、より堅牢な決定境界を適応的に学習するためのプロトタイプキャリブレーションを提案する。
提案手法は決定境界を期待通りに校正し,テンプレート,置換,クラス不均衡に対するGPTの堅牢性を大幅に向上させる。
論文 参考訳(メタデータ) (2022-05-20T13:50:07Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳(メタデータ) (2022-03-21T14:53:57Z) - Dual Prototypical Contrastive Learning for Few-shot Semantic
Segmentation [55.339405417090084]
本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。
第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。
提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-09T08:14:50Z) - Prototype Completion for Few-Shot Learning [13.63424509914303]
少数ショット学習は、いくつかの例で新しいクラスを認識することを目的としている。
事前学習に基づく手法は,特徴抽出器を事前学習し,最寄りのセントロイド型メタラーニングを通して微調整することで,この問題に効果的に対処する。
本稿では,完成度に基づくメタラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-11T03:44:00Z) - Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。
我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。
我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文 参考訳(メタデータ) (2021-05-14T06:58:44Z) - Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。
生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。
我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2021-04-19T12:26:26Z) - Shaping Deep Feature Space towards Gaussian Mixture for Visual
Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。
分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。
提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文 参考訳(メタデータ) (2020-11-18T03:32:27Z) - Gaussian Process Regression with Local Explanation [28.90948136731314]
本稿では,各サンプルの予測に寄与する特徴を明らかにするため,局所的な説明を伴うGPRを提案する。
提案モデルでは,各サンプルの予測と説明を,容易に解釈可能な局所線形モデルを用いて行う。
新しい試験サンプルでは, 対象変数と重みベクトルの値と不確かさを予測できる。
論文 参考訳(メタデータ) (2020-07-03T13:22:24Z)
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。