論文の概要: Intuitionistic Fuzzy Cognitive Maps for Interpretable Image Classification

• arxiv url: http://arxiv.org/abs/2408.03745v2
• Date: Fri, 04 Apr 2025 16:28:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:46:34.045486
• Title: Intuitionistic Fuzzy Cognitive Maps for Interpretable Image Classification
• Title（参考訳）: 解釈可能な画像分類のための直観的ファジィ認知マップ
• Authors: Georgia Sovatzidi, Michael D. Vasilakakis, Dimitris K. Iakovidis,
• Abstract要約: 本稿では,新しいフレームワーク,Interpretable Intuitionistic Fuzzy Cognitive Maps(I2FCMs)を紹介する。 直観主義的なFCMは、その出力の質を評価するためのメカニズムを提供する。 提案されたI2FCMフレームワークは、CNNを含むDLモデルに適用でき、解釈可能である。
• 参考スコア（独自算出の注目度）: 2.130156029408832
• License:
• Abstract: Several deep learning (DL) approaches have been proposed to deal with image classification tasks. However, despite their effectiveness, they lack interpretability, as they are unable to explain or justify their results. To address the challenge of interpretable image classification, this paper introduces a novel framework, named Interpretable Intuitionistic Fuzzy Cognitive Maps (I2FCMs).Intuitionistic FCMs (iFCMs) have been proposed as an extension of FCMs offering a natural mechanism to assess the quality of their output through the estimation of hesitancy, a concept resembling human hesitation in decision making. In the context of image classification, hesitancy is considered as a degree of unconfidence with which an image is categorized to a class. To the best of our knowledge this is the first time iFCMs are applied for image classification. Further novel contributions of the introduced framework include the following: a) a feature extraction process focusing on the most informative image regions; b) a learning algorithm for automatic data-driven determination of the intuitionistic fuzzy interconnections of the iFCM, thereby reducing human intervention in the definition of the graph structure; c) an inherently interpretable classification approach based on image contents, providing understandable explanations of its predictions, using linguistic terms. Furthermore, the proposed I2FCM framework can be applied to DL models, including Convolutional Neural Network (CNN), rendering them interpretable. The effectiveness of I2FCM is evaluated on publicly available datasets, and the results confirm that it can provide enhanced classification performance, while providing interpretable inferences.
• Abstract（参考訳）: 画像分類タスクに対処するために、いくつかのディープラーニング(DL)アプローチが提案されている。 しかし、その効果にもかかわらず、結果の説明や正当化ができないため、解釈性に欠ける。 本稿では,解釈可能な画像分類の課題を解決するために,解釈可能な直観的ファジィ認知マップ (Interpretable Intuitionistic Fuzzy Cognitive Maps, I2FCMs) という新しいフレームワークを提案する。 直観主義的FCM (iFCMs) は, 意思決定における人間のためらいに類似した概念であるヘシタシーの推定を通じて, アウトプットの品質を評価する自然なメカニズムを提供するFCMの拡張として提案されている。 画像分類の文脈では、画像がクラスに分類される不信度と見なされる。 我々の知る限りでは、iFCMを画像分類に適用するのはこれが初めてである。 導入されたフレームワークの新たなコントリビューションには、以下のものがある。 a) 最も情報性の高い画像領域に焦点を当てた特徴抽出方法 b)iFCMの直観的ファジィ相互接続の自動決定のための学習アルゴリズムにより、グラフ構造の定義に対する人間の介入を減少させる。 c) 画像の内容に基づく本質的に解釈可能な分類アプローチであって、言語用語を用いて、その予測の理解可能な説明を提供すること。 さらに、提案したI2FCMフレームワークは、畳み込みニューラルネットワーク(CNN)を含むDLモデルに適用でき、解釈可能である。 I2FCMの有効性は、公開データセット上で評価され、解釈可能な推論を提供しながら、分類性能を向上できることを確認した。

関連論文リスト

• COMIX: Compositional Explanations using Prototypes [46.15031477955461]
  本稿では,機械表現を人間の理解と整合させる手法を提案する。 提案手法はCOMIXと呼ばれ,学習概念に基づいて領域に分解することで画像の分類を行う。 提案手法は説明の完全性を提供し,その効率性は他の本質的に解釈可能なアーキテクチャと競合することを示す。
  論文  参考訳（メタデータ） (2025-01-10T15:40:31Z)
• Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
  本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。 我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。 本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
  論文  参考訳（メタデータ） (2023-09-19T16:08:33Z)
• Feature Activation Map: Visual Explanation of Deep Learning Models for Image Classification [17.373054348176932]
  本研究では,機能活性化マップ (FAM) と呼ばれるポストホック解釈ツールを提案する。 FAMは、FC層を分類器として使用せずにディープラーニングモデルを解釈できる。 提案したFAMアルゴリズムの有効性を実証するために,10種類の深層学習モデルを用いて,少数ショット画像分類,コントラスト学習画像分類,画像検索タスクを行った。
  論文  参考訳（メタデータ） (2023-07-11T05:33:46Z)
• Learning disentangled representations for explainable chest X-ray classification using Dirichlet VAEs [68.73427163074015]
  本研究では,胸部X線像の非絡み合った潜在表現の学習にDirVAE(Dirichlet Variational Autoencoder)を用いることを検討した。 DirVAEモデルにより学習された多モード潜在表現の予測能力について,補助的多ラベル分類タスクの実装により検討した。
  論文  参考訳（メタデータ） (2023-02-06T18:10:08Z)
• Semantic Image Synthesis via Diffusion Models [159.4285444680301]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)
• A-FMI: Learning Attributions from Deep Networks via Feature Map Importance [58.708607977437794]
  勾配に基づくアトリビューション法は畳み込みニューラルネットワーク(CNN)の理解を助けることができる 帰属特徴の冗長性と勾配飽和問題は、帰属方法がまだ直面する課題である。 本稿では,各特徴マップの寄与度を高めるための新しい概念,特徴マップ重要度 (FMI) と,勾配飽和問題に対処するためのFMIによる新しい帰属法を提案する。
  論文  参考訳（メタデータ） (2021-04-12T14:54:44Z)
• Convolutional Neural Networks from Image Markers [62.997667081978825]
  特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。 本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。 その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
  論文  参考訳（メタデータ） (2020-12-15T22:58:23Z)
• Evaluating and Mitigating Bias in Image Classifiers: A Causal Perspective Using Counterfactuals [27.539001365348906]
  本稿では、逆学習推論(ALI)の改良版に構造因果モデル(SCM)を組み込むことにより、逆ファクトアルを生成する方法を提案する。 本稿では,事前学習された機械学習分類器の説明方法を示し,そのバイアスを評価し,そのバイアスを正則化器を用いて緩和する方法について述べる。
  論文  参考訳（メタデータ） (2020-09-17T13:19:31Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。