論文の概要: Using Stratified Sampling to Improve LIME Image Explanations

• arxiv url: http://arxiv.org/abs/2403.17742v1
• Date: Tue, 26 Mar 2024 14:30:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 15:08:05.654406
• Title: Using Stratified Sampling to Improve LIME Image Explanations
• Title（参考訳）: 階層化サンプリングによるLIME画像説明の改善
• Authors: Muhammad Rashid, Elvio G. Amparore, Enrico Ferrari, Damiano Verda,
• Abstract要約: コンピュータビジョンタスクのためのモデルに依存しない説明可能なAI手法であるLIME Imageの階層化サンプリング手法について検討する。 このようなアーティファクトは、説明されている画像の周りの合成近傍における依存変数のアンダーサンプリングによるものである。 我々は,不偏成層化サンプリング推定器に必要な式と調整因子をすべて導出する。
• 参考スコア（独自算出の注目度）: 0.4416503115535552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the use of a stratified sampling approach for LIME Image, a popular model-agnostic explainable AI method for computer vision tasks, in order to reduce the artifacts generated by typical Monte Carlo sampling. Such artifacts are due to the undersampling of the dependent variable in the synthetic neighborhood around the image being explained, which may result in inadequate explanations due to the impossibility of fitting a linear regressor on the sampled data. We then highlight a connection with the Shapley theory, where similar arguments about undersampling and sample relevance were suggested in the past. We derive all the formulas and adjustment factors required for an unbiased stratified sampling estimator. Experiments show the efficacy of the proposed approach.
• Abstract（参考訳）: コンピュータビジョンタスクのモデルに依存しない説明可能なAI手法であるLIME Imageの階層化サンプリング手法を用いて,典型的なモンテカルロサンプリングによるアーティファクトの削減について検討する。 このようなアーティファクトは、画像の周囲の合成近傍における依存変数のアンダーサンプリングによるもので、サンプルデータに線形回帰器を装着できないため、説明が不十分になる可能性がある。 次に、アンダーサンプリングとサンプル関連性に関する同様の議論が過去に提案されたシェープリー理論との関係を強調した。 我々は,不偏成層化サンプリング推定器に必要な式と調整因子をすべて導出する。 提案手法の有効性を示す実験を行った。

関連論文リスト

• Diffusing Differentiable Representations [60.72992910766525]
  本稿では,事前学習した拡散モデルを用いて,微分可能な表現(拡散)をサンプリングする,新しい学習自由な手法を提案する。 差分によって引き起こされるサンプルに対する暗黙の制約を特定し、この制約に対処することで、生成されたオブジェクトの一貫性と詳細が大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2024-12-09T20:42:58Z)
• Plug-and-Play Posterior Sampling under Mismatched Measurement and Prior Models [15.128123938848882]
  後方サンプリングは、逆問題を解決するための強力なベイズ的アプローチであることが示されている。 近年,モンテカルロサンプリングの有望な手法として,プラグ・アンド・プレイアンプレイのランゲヴィンアルゴリズムが登場している。
  論文  参考訳（メタデータ） (2023-10-05T13:57:53Z)
• Conditional Sampling of Variational Autoencoders via Iterated Approximate Ancestral Sampling [7.357511266926065]
  変分オートエンコーダ(VAE)の条件付きサンプリングは、データ計算の欠如など、様々なアプリケーションで必要とされるが、計算上は難解である。 基本的条件付きサンプリングはMetropolis-within-Gibbs (MWG)である
  論文  参考訳（メタデータ） (2023-08-17T16:08:18Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• A Provably Efficient Model-Free Posterior Sampling Method for Episodic Reinforcement Learning [50.910152564914405]
  強化学習のための既存の後方サンプリング手法は、モデルベースであるか、線形MDPを超える最悪の理論的保証がないかによって制限される。 本稿では,理論的保証を伴うより一般的な補足的強化学習問題に適用可能な,後部サンプリングのモデルフリーな新しい定式化を提案する。
  論文  参考訳（メタデータ） (2022-08-23T12:21:01Z)
• Rethinking Collaborative Metric Learning: Toward an Efficient Alternative without Negative Sampling [156.7248383178991]
  コラボレーティブ・メトリック・ラーニング(CML)パラダイムはレコメンデーション・システム(RS)分野に広く関心を集めている。 負のサンプリングが一般化誤差のバイアス付き推定に繋がることがわかった。 そこで我々は,SFCML (textitSampling-Free Collaborative Metric Learning) という名前のCMLに対して,負のサンプリングを伴わない効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-06-23T08:50:22Z)
• Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo sampling [58.14878401145309]
  PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。 Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
  論文  参考訳（メタデータ） (2022-05-12T11:15:47Z)
• An Analysis of Ensemble Sampling [28.18592417451813]
  アンサンブルサンプリングは、モデルパラメータの正確な後部分布を維持する際に、トンプソンサンプリングの実用的な近似として機能する。 線形バンディット問題にアンサンブルサンプリングを適用する際に望ましい振る舞いを確実にするベイズ後悔境界を確立する。
  論文  参考訳（メタデータ） (2022-03-02T18:41:22Z)
• Toward Real-World Super-Resolution via Adaptive Downsampling Models [58.38683820192415]
  本研究では,制約のある事前知識を伴わずに未知のサンプル処理をシミュレートする手法を提案する。 対の例を使わずに対象LR画像の分布を模倣する汎用化可能な低周波損失(LFL)を提案する。
  論文  参考訳（メタデータ） (2021-09-08T06:00:32Z)
• Parallelised Diffeomorphic Sampling-based Motion Planning [30.310891362316863]
  並列化拡散型サンプリングベースモーションプランニング(PDMP)を提案する。 PDMPは、サンプリングベースモーションプランナーのサンプリング分布を、正規化フローに似た方法で変換する。 PDMPは、コストの勾配情報を利用して、最適化ベースのモーションプランニング手法と同様の方法で仕様を注入することができる。
  論文  参考訳（メタデータ） (2021-08-26T13:15:11Z)

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。