論文の概要: This Looks Better than That: Better Interpretable Models with ProtoPNeXt

• arxiv url: http://arxiv.org/abs/2406.14675v1
• Date: Thu, 20 Jun 2024 18:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 18:08:45.601991
• Title: This Looks Better than That: Better Interpretable Models with ProtoPNeXt
• Title（参考訳）: ProtoPNeXtより優れた解釈モデル
• Authors: Frank Willard, Luke Moffett, Emmanuel Mokel, Jon Donnelly, Stark Guo, Julia Yang, Giyoung Kim, Alina Jade Barnett, Cynthia Rudin,
• Abstract要約: 原型部品モデルは、コンピュータビジョンのためのブラックボックスディープラーニングモデルに代わる一般的な解釈可能な代替品である。 原型モデルのコンポーネントを統合するための新しいフレームワーク、ProtoPNeXtを作成します。
• 参考スコア（独自算出の注目度）: 14.28283868577614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prototypical-part models are a popular interpretable alternative to black-box deep learning models for computer vision. However, they are difficult to train, with high sensitivity to hyperparameter tuning, inhibiting their application to new datasets and our understanding of which methods truly improve their performance. To facilitate the careful study of prototypical-part networks (ProtoPNets), we create a new framework for integrating components of prototypical-part models -- ProtoPNeXt. Using ProtoPNeXt, we show that applying Bayesian hyperparameter tuning and an angular prototype similarity metric to the original ProtoPNet is sufficient to produce new state-of-the-art accuracy for prototypical-part models on CUB-200 across multiple backbones. We further deploy this framework to jointly optimize for accuracy and prototype interpretability as measured by metrics included in ProtoPNeXt. Using the same resources, this produces models with substantially superior semantics and changes in accuracy between +1.3% and -1.5%. The code and trained models will be made publicly available upon publication.
• Abstract（参考訳）: 原型部品モデルは、コンピュータビジョンのためのブラックボックスディープラーニングモデルに代わる一般的な解釈可能な代替品である。 しかし、ハイパーパラメータチューニングに対する高い感度でトレーニングすることは困難であり、新しいデータセットへの適用を阻害し、どのメソッドがパフォーマンスを真に改善するかを理解することは困難である。 プロトタイプ部分ネットワーク(ProtoPNets)の注意深い研究を容易にするため,プロトタイプ部分モデルのコンポーネント – ProtoPNeXtを統合するための新しいフレームワークを構築した。 ProtoPNeXtを用いて,元となるProtoPNetにベイズハイパーパラメータチューニングと角プロトタイプ類似度を適用すれば,複数のバックボーンにまたがるCUB-200上のプロトタイプモデルに対して,新しい最先端の精度が得られることを示す。 さらにこのフレームワークを,ProtoPNeXtに含まれるメトリクスによって測定された精度とプロトタイプの解釈可能性について共同で最適化するように展開する。 同じ資源を用いて、より優れたセマンティクスと+1.3%から-1.5%の精度のモデルを生成する。 コードとトレーニングされたモデルは、公開時に公開される。

関連論文リスト

• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• Interpretable Image Classification with Adaptive Prototype-based Vision Transformers [37.62530032165594]
  本稿では,ディープラーニングとケースベース推論を組み合わせた画像分類手法であるProtoViTを提案する。 我々のモデルは、視覚変換器(ViT)のバックボーンをプロトタイプベースモデルに統合し、空間的に変形したプロトタイプを提供する。 実験の結果,本モデルでは既存のプロトタイプモデルよりも高い性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-10-28T04:33:28Z)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
  本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。 私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。 この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
  論文  参考訳（メタデータ） (2023-09-20T10:31:17Z)
• Prototypical Fine-tuning: Towards Robust Performance Under Varying Data Sizes [47.880781811936345]
  我々は、微調整事前学習言語モデル(LM)のための新しいフレームワークを提案する。 提案手法は,データポイント数やモデル固有の属性に応じて,モデルキャパシティを自動的に調整することができる。
  論文  参考訳（メタデータ） (2022-11-24T14:38:08Z)
• Knowledge Distillation to Ensemble Global and Interpretable Prototype-Based Mammogram Classification Models [20.16068689434846]
  本稿では,BRAIxProtoPNet++を提案する。 BRAIxProtoPNet++はSOTAのグローバルモデルやプロトタイプモデルよりも高い分類精度を持つことを示す。
  論文  参考訳（メタデータ） (2022-09-26T05:04:15Z)
• Part-Based Models Improve Adversarial Robustness [57.699029966800644]
  人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。 我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。 実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
  論文  参考訳（メタデータ） (2022-09-15T15:41:47Z)
• Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
  本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。 実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。 Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-05-30T16:55:59Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• ProtoPShare: Prototype Sharing for Interpretable Image Classification and Similarity Discovery [9.36640530008137]
  本稿では,プロトタイプ部品のパラダイムを取り入れた自己説明手法であるProtoPShareを紹介する。 ProtoPShareの主な特徴は、データ依存のマージプルーニングのおかげで、クラス間でプロトタイプ部品を効率的に共有できることである。 CUB-200-2011とStanford Carsの2つのデータセットでこの結果を検証する。
  論文  参考訳（メタデータ） (2020-11-29T11:23:05Z)

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。