論文の概要: Geometric Remove-and-Retrain (GOAR): Coordinate-Invariant eXplainable AI Assessment

• arxiv url: http://arxiv.org/abs/2407.12401v1
• Date: Wed, 17 Jul 2024 08:28:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 17:57:42.035197
• Title: Geometric Remove-and-Retrain (GOAR): Coordinate-Invariant eXplainable AI Assessment
• Title（参考訳）: Geometric Remove-and-Retrain (GOAR):Coordinate-Invariant eXplainable AI Assessment
• Authors: Yong-Hyun Park, Junghoon Seo, Bomseok Park, Seongsu Lee, Junghyo Jo,
• Abstract要約: Remove-and-Retrain(ROAR)は、個々のピクセルの重要性を評価するために広く受け入れられているアプローチである。 Geometric Remove-and-Retrain (GOAR) という新たな機能摂動手法を導入する。 GOARはピクセル中心のメトリクスの制限を超越する。
• 参考スコア（独自算出の注目度）: 3.7399138244928145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying the relevant input features that have a critical influence on the output results is indispensable for the development of explainable artificial intelligence (XAI). Remove-and-Retrain (ROAR) is a widely accepted approach for assessing the importance of individual pixels by measuring changes in accuracy following their removal and subsequent retraining of the modified dataset. However, we uncover notable limitations in pixel-perturbation strategies. When viewed from a geometric perspective, we discover that these metrics fail to discriminate between differences among feature attribution methods, thereby compromising the reliability of the evaluation. To address this challenge, we introduce an alternative feature-perturbation approach named Geometric Remove-and-Retrain (GOAR). Through a series of experiments with both synthetic and real datasets, we substantiate that GOAR transcends the limitations of pixel-centric metrics.
• Abstract（参考訳）: 説明可能な人工知能(XAI)の開発には,出力結果に重要な影響を与える関連する入力特徴の同定が不可欠である。 Remove-and-Retrain(ROAR)は、修正データセットの削除と再トレーニング後の精度の変化を測定することによって、個々のピクセルの重要性を評価するために広く受け入れられているアプローチである。 しかし,画素摂動戦略の顕著な限界が明らかになった。 幾何学的観点から見れば、これらの指標が特徴属性法の違いを識別できないことが分かり、評価の信頼性を損なう。 この課題に対処するために、Geometric Remove-and-Retrain (GOAR) という別の機能摂動アプローチを導入する。 合成データと実データの両方を用いて一連の実験を行い、GOARが画素中心のメトリクスの限界を超越していることを確認した。

関連論文リスト

• Learning with Importance Weighted Variational Inference: Asymptotics for Gradient Estimators of the VR-IWAE Bound [3.115375810642661]
  重み付けの重要さを含むいくつかの一般的な変動境界は、エビデンス・ロウアー・バウンドの一般化と改善のために提案されている。 VR-IWAEバウンダリは、ELBO、IWAE、VRバウンダリを統一する変分バウンダリとして導入された。
  論文  参考訳（メタデータ） (2024-10-15T20:09:06Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。 PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Disentanglement Learning via Topology [22.33086299021419]
  マルチスケールなトポロジ的損失項を付加することにより,不整合表現を学習するTopDisを提案する。 ディスタングルメントは、ディープラーニングモデルの説明可能性と堅牢性にとって重要なデータ表現の重要な特性である。 提案した位相損失を用いて,訓練されたGANにおいて不整合方向を求める方法を示す。
  論文  参考訳（メタデータ） (2023-08-24T10:29:25Z)
• Deep Metric Learning with Soft Orthogonal Proxies [1.823505080809275]
  本稿では,プロキシにソフト直交性(SO)制約を導入する新しいアプローチを提案する。 提案手法では,DMLの目的と合わせて,画像からコンテキスト特徴を抽出するエンコーダとして,データ効率の良い画像変換器(DeiT)を利用する。 提案手法が最先端手法よりも有意なマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-22T17:22:15Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• Contrastive inverse regression for dimension reduction [0.0]
  コントラッシブ・リバース・レグレッション (CIR) と呼ばれる, コントラッシブ・セッティングに特化して設計されたディメンション・リダクション法を提案する。 CIRは、非標準損失関数を持つスティーフェル多様体上で定義される最適化問題を導入する。 勾配勾配勾配に基づくアルゴリズムを用いて,CIRの局所最適収束を証明し,高次元データに対する競合手法よりも優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-05-20T21:44:11Z)
• Variational Voxel Pseudo Image Tracking [127.46919555100543]
  不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:34:50Z)
• Degradation-agnostic Correspondence from Resolution-asymmetric Stereo [96.03964515969652]
  テレワイドカメラシステムで取得した解像度の異なる2枚の画像からステレオマッチングの問題を考察する。 特徴量整合性という画像空間の代わりに特徴空間に2つのビュー間の整合性を課すことを提案する。 測光損失をトレーニングしたステレオマッチングネットワークは最適ではないが, 特徴抽出器は劣化に依存しない, マッチング特有の特徴を生成できる。
  論文  参考訳（メタデータ） (2022-04-04T12:24:34Z)
• Leaning Compact and Representative Features for Cross-Modality Person Re-Identification [18.06382007908855]
  本稿では,クロスモダリティ可視赤外人物再識別(vi re-id)タスクに注目する。 提案手法は他の最も先進的な手法よりも印象的な性能で優れている。
  論文  参考訳（メタデータ） (2021-03-26T01:53:16Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)
• Confounding-Robust Policy Evaluation in Infinite-Horizon Reinforcement Learning [70.01650994156797]
  教育医療などのバッチ強化学習において、観察データからのシーケンシャルな意思決定方針のオフ・アセスメントが必要である。 我々は、ある政策の境界を推定するアプローチを開発する。 より凝縮したデータを集めることで、シャープな境界への収束を証明します。
  論文  参考訳（メタデータ） (2020-02-11T16:18:14Z)

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。

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。