論文の概要: VidModEx: Interpretable and Efficient Black Box Model Extraction for High-Dimensional Spaces
- arxiv url: http://arxiv.org/abs/2408.02140v1
- Date: Sun, 4 Aug 2024 20:38:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 14:56:07.394004
- Title: VidModEx: Interpretable and Efficient Black Box Model Extraction for High-Dimensional Spaces
- Title(参考訳): VidModEx:高次元空間のための解釈可能かつ効率的なブラックボックスモデル抽出
- Authors: Somnath Sendhil Kumar, Yuvaraj Govindarajulu, Pavan Kulkarni, Manojkumar Parmar,
- Abstract要約: 本稿では,SHAP(SHapley Additive exPlanations)を用いた合成データ生成手法を提案する。
SHAPは、被害者モデルの出力に対する各入力機能の個々のコントリビューションを定量化し、エネルギーベースのGANの最適化を容易にする。
この手法は性能を大幅に向上させ、画像分類モデルの精度を16.45%向上させ、平均26.11%改善し、挑戦的なデータセットで最大33.36%向上するビデオ分類モデルに拡張した。
- 参考スコア(独自算出の注目度): 0.35998666903987897
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In the domain of black-box model extraction, conventional methods reliant on soft labels or surrogate datasets struggle with scaling to high-dimensional input spaces and managing the complexity of an extensive array of interrelated classes. In this work, we present a novel approach that utilizes SHAP (SHapley Additive exPlanations) to enhance synthetic data generation. SHAP quantifies the individual contributions of each input feature towards the victim model's output, facilitating the optimization of an energy-based GAN towards a desirable output. This method significantly boosts performance, achieving a 16.45% increase in the accuracy of image classification models and extending to video classification models with an average improvement of 26.11% and a maximum of 33.36% on challenging datasets such as UCF11, UCF101, Kinetics 400, Kinetics 600, and Something-Something V2. We further demonstrate the effectiveness and practical utility of our method under various scenarios, including the availability of top-k prediction probabilities, top-k prediction labels, and top-1 labels.
- Abstract(参考訳): ブラックボックスモデル抽出の分野では、ソフトラベルやサロゲートデータセットに依存する従来の手法は、高次元の入力空間へのスケーリングと、幅広い相互関連クラスの複雑さの管理に苦慮している。
本研究では,SHAP(SHapley Additive exPlanations)を用いた合成データ生成手法を提案する。
SHAPは、被害者モデルの出力に対する各入力機能の個々のコントリビューションを定量化し、エネルギーベースのGANの望ましい出力への最適化を容易にする。
この手法は性能を大幅に向上させ、画像分類モデルの精度が16.45%向上し、平均26.11%向上し、UCF11、UCF101、Kineetics 400、Kineetics 600、Something V2などの挑戦的なデータセットで最大33.36%向上した。
さらに,トップk予測確率,トップk予測ラベル,トップ1ラベルなど,様々なシナリオにおいて提案手法の有効性と実用性を示す。
関連論文リスト
- TripletMix: Triplet Data Augmentation for 3D Understanding [64.65145700121442]
TripletMixは、3次元理解におけるマルチモーダルデータ拡張の未解決問題に対処するための新しいアプローチである。
本研究は,3次元物体認識と理解を著しく向上させるマルチモーダルデータ拡張の可能性を明らかにするものである。
論文 参考訳(メタデータ) (2024-05-28T18:44:15Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳(メタデータ) (2024-03-20T00:41:12Z) - Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。
DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
論文 参考訳(メタデータ) (2024-03-11T14:07:53Z) - HyCubE: Efficient Knowledge Hypergraph 3D Circular Convolutional Embedding [21.479738859698344]
本稿では,HyCubE を用いた エンドツーエンドの知識ハイパーグラフ埋め込みモデルを提案する。
提案モデルでは, 3次元円形畳み込み層構造を適応的に調整することにより, 有効性と効率のトレードオフを向上する。
すべてのデータセットに対する実験結果から,提案モデルが常に最先端のベースラインより優れていることが示された。
論文 参考訳(メタデータ) (2024-02-14T06:05:37Z) - Farzi Data: Autoregressive Data Distillation [34.39112473620335]
自動回帰機械学習タスクにおけるデータ蒸留について検討する。
本稿では、イベントシーケンスデータセットを少数の合成シーケンスに要約するFarziを提案する。
論文 参考訳(メタデータ) (2023-10-15T23:23:27Z) - Improved Distribution Matching for Dataset Condensation [91.55972945798531]
本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。
提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
論文 参考訳(メタデータ) (2023-07-19T04:07:33Z) - Optimizing the Procedure of CT Segmentation Labeling [1.2891210250935146]
Computed Tomographyでは、機械学習は自動データ処理によく使用される。
本稿では,アノテーションの手順とそのモデル性能への影響について考察する。
モデルトレーニングのために収集された優れたデータセットの主な利点は、ラベルの品質、多様性、完全性である、と仮定する。
論文 参考訳(メタデータ) (2023-03-24T15:52:42Z) - Accelerating Dataset Distillation via Model Augmentation [41.3027484667024]
本研究では,初期モデルとパラメータを用いた2つのモデル拡張手法を提案し,学習コストを大幅に削減した情報合成集合を学習する。
提案手法は,最先端の手法と同等の性能で,最大20倍の高速化を実現している。
論文 参考訳(メタデータ) (2022-12-12T07:36:05Z) - Deep Variational Models for Collaborative Filtering-based Recommender
Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。
提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。
提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文 参考訳(メタデータ) (2021-07-27T08:59:39Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳(メタデータ) (2021-03-22T20:36:34Z) - Expected Information Maximization: Using the I-Projection for Mixture
Density Estimation [22.096148237257644]
高度にマルチモーダルなデータのモデリングは、機械学習において難しい問題である。
我々は,予測情報最大化(EIM)と呼ばれる新しいアルゴリズムを提案する。
我々のアルゴリズムは最近のGANアプローチよりもI射影の計算に効果的であることを示す。
論文 参考訳(メタデータ) (2020-01-23T17:24:50Z)
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。