Fugu-MT 論文翻訳(概要): Enhancing Explainable AI: A Hybrid Approach Combining GradCAM and LRP for CNN Interpretability

論文の概要: Enhancing Explainable AI: A Hybrid Approach Combining GradCAM and LRP for CNN Interpretability

arxiv url: http://arxiv.org/abs/2405.12175v1
Date: Mon, 20 May 2024 16:58:24 GMT
ステータス: 処理完了
システム内更新日: 2024-05-21 12:35:30.416387
Title: Enhancing Explainable AI: A Hybrid Approach Combining GradCAM and LRP for CNN Interpretability
Title（参考訳）: 説明可能なAIの強化: CNN解釈性のためのGradCAMとLRPを組み合わせたハイブリッドアプローチ
Authors: Vaibhav Dhore, Achintya Bhat, Viraj Nerlekar, Kashyap Chavhan, Aniket Umare,
Abstract要約: 本稿では,GradCAM と LRP の組合せを用いて,CNN ベースモデルの出力を説明する手法を提案する。どちらの手法も、予測に重要な入力領域をハイライトすることで視覚的説明を生成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a new technique that explains the output of a CNN-based model using a combination of GradCAM and LRP methods. Both of these methods produce visual explanations by highlighting input regions that are important for predictions. In the new method, the explanation produced by GradCAM is first processed to remove noises. The processed output is then multiplied elementwise with the output of LRP. Finally, a Gaussian blur is applied on the product. We compared the proposed method with GradCAM and LRP on the metrics of Faithfulness, Robustness, Complexity, Localisation and Randomisation. It was observed that this method performs better on Complexity than both GradCAM and LRP and is better than atleast one of them in the other metrics.
Abstract（参考訳）: 本稿では,GradCAM と LRP の組合せを用いて,CNN ベースモデルの出力を説明する手法を提案する。どちらの手法も、予測に重要な入力領域をハイライトすることで視覚的説明を生成する。新しい手法では、GradCAMが生成した説明を最初に処理してノイズを除去する。次に、処理された出力とLPPの出力とを乗算する。最後に、製品にガウスのぼかしが適用される。提案手法をGradCAMとLRPと比較し,Fithfulness, Robustness, Complexity, Localisation, Randomisationの指標について検討した。この手法はGradCAMとLRPの両方よりも複雑度に優れており、他の指標よりも優れていることが観察された。

関連論文リスト

GaussianSR: High Fidelity 2D Gaussian Splatting for Arbitrary-Scale Image Super-Resolution [29.49617080140511]
入射神経表現(INR)は、画像の任意のスケールの超解像(ASSR)の分野を大幅に進歩させた。既存のINRベースのASSRネットワークは、まずエンコーダを用いて与えられた低解像度画像から特徴を抽出し、次に多層パーセプトロンデコーダを用いて超解像結果をレンダリングする。 2次元ガウススプラッティング(2DGS)によるこの制限を克服する新しいASSR法を提案する。
論文参考訳（メタデータ） (2024-07-25T13:53:48Z)
Exploring Equation as a Better Intermediate Meaning Representation for Numerical Reasoning [53.2491163874712]
我々は数値推論の問題を解くために方程式をIMRとして利用する。本稿では、方程式(ブリッジ)の生成を分解したブースティング数値推論法を提案する。本手法では,GSM8K,SVAMP,Algebraデータセットの2.2%,0.9%,1.7%の性能向上を実現している。
論文参考訳（メタデータ） (2023-08-21T09:35:33Z)
Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
論文参考訳（メタデータ） (2023-08-01T03:44:56Z)
Interpretable Machine Learning based on Functional ANOVA Framework: Algorithms and Comparisons [9.10422407200807]
機械学習(ML)の初期は、最高の予測性能を達成するための複雑なアルゴリズムの開発に重点が置かれていた。近年、研究者は予測性能の小さな向上に挑戦し、本質的に解釈可能なアルゴリズムを開発した。本稿では,ESMなどの木を用いたGAMI-Lin-Tという新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-05-25T02:40:52Z)
Empowering CAM-Based Methods with Capability to Generate Fine-Grained and High-Faithfulness Explanations [1.757194730633422]
本稿では,CAM法を拡張したFG-CAMを提案する。提案手法は, CAM法の特徴を変化させることなく, CAM法の欠点を解消するだけでなく, LRPとその変種よりも忠実である詳細な説明も生成する。
論文参考訳（メタデータ） (2023-03-16T09:29:05Z)
Denoising Generalized Expectation-Consistent Approximation for MRI Image Recovery [19.497777961872448]
逆問題では、凸最適化のステップをアプリケーション固有のデノイザへの呼び出しに置き換えるプラグイン・アンド・プレイ(DNN)法が開発され、ディープニューラルネットワーク(DNN)を用いてしばしば実装されている。このような手法は成功したが、改善できる。例えば、デノイザーは通常、ホワイトノイズを取り除くために設計・訓練されているが、ニューラルデノイザー入力誤差はホワイトやガウスから遠く離れている。本稿では,各イテレーション毎に予測可能なエラー統計情報を提供するアルゴリズムと,それらの統計情報を活用する新しい画像デノワを提案する。
論文参考訳（メタデータ） (2022-06-09T00:58:44Z)
Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。提案手法のパラメータはエンドツーエンドでトレーニング可能である。
論文参考訳（メタデータ） (2021-06-30T08:57:01Z)
Investigating Methods to Improve Language Model Integration for Attention-based Encoder-Decoder ASR Models [107.86965028729517]
注意ベースのエンコーダデコーダ(AED)モデルは、トレーニング転写から暗黙的な内部言語モデル(ILM)を学ぶ。 AEDモデルから直接ILMを推定する新しい手法をいくつか提案する。
論文参考訳（メタデータ） (2021-04-12T15:16:03Z)
Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文参考訳（メタデータ） (2020-11-18T16:40:45Z)
Use HiResCAM instead of Grad-CAM for faithful explanations of convolutional neural networks [89.56292219019163]
説明法は意味のある概念を学習し、素早い相関を悪用しないモデルの開発を容易にする。一般的なニューラルネットワーク説明法であるGrad-CAMの、未認識の制限について説明する。本稿では,モデルが各予測に使用する場所のみをハイライトするクラス固有の説明手法であるHiResCAMを提案する。
論文参考訳（メタデータ） (2020-11-17T19:26:14Z)

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。