論文の概要: Interpret the Predictions of Deep Networks via Re-Label Distillation

• arxiv url: http://arxiv.org/abs/2409.13137v1
• Date: Fri, 20 Sep 2024 00:46:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 11:52:12.884823
• Title: Interpret the Predictions of Deep Networks via Re-Label Distillation
• Title（参考訳）: リラベル蒸留による深部ネットワーク予測の解釈
• Authors: Yingying Hua, Shiming Ge, Daichi Zhang,
• Abstract要約: 本研究では,入力から予測への直接写像を自己超越的に学習するための再ラベル蒸留手法を提案する。 合成画像は、ラベルがシフトするかどうかを識別することにより、2つのクラスのうちの1つに注釈を付けることができる。 このようにして、これらの再ラベルされた合成画像は、ディープネットワークの局所的な分類機構をうまく記述することができる。
• 参考スコア（独自算出の注目度）: 22.2326257454041
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpreting the predictions of a black-box deep network can facilitate the reliability of its deployment. In this work, we propose a re-label distillation approach to learn a direct map from the input to the prediction in a self-supervision manner. The image is projected into a VAE subspace to generate some synthetic images by randomly perturbing its latent vector. Then, these synthetic images can be annotated into one of two classes by identifying whether their labels shift. After that, using the labels annotated by the deep network as teacher, a linear student model is trained to approximate the annotations by mapping these synthetic images to the classes. In this manner, these re-labeled synthetic images can well describe the local classification mechanism of the deep network, and the learned student can provide a more intuitive explanation towards the predictions. Extensive experiments verify the effectiveness of our approach qualitatively and quantitatively.
• Abstract（参考訳）: ブラックボックスのディープネットワークの予測を解釈することで、デプロイメントの信頼性が向上する。 本研究では,入力から予測への直接写像を自己超越的に学習するための再ラベル蒸留手法を提案する。 画像はVAEサブスペースに投影され、潜在ベクトルをランダムに摂動させることで、いくつかの合成画像を生成する。 そして、これらの合成画像は、2つのクラスのうちの1つにアノテートすることができる。 その後、ディープネットワークで注釈付けされたラベルを教師として使用し、これらの合成画像をクラスにマッピングすることで、アノテーションを近似する線形学生モデルを訓練する。 このようにして、これらの再ラベルされた合成画像はディープネットワークの局所的な分類機構をうまく記述することができ、学習した学生は予測に対してより直感的な説明を提供することができる。 本手法の有効性を質的,定量的に検証した。

関連論文リスト

• Extracting Semantic Knowledge from GANs with Unsupervised Learning [65.32631025780631]
  GAN(Generative Adversarial Networks)は、特徴写像のセマンティクスを線形に分離可能な形でエンコードする。 本稿では,線形分離性を利用してGANの特徴をクラスタリングする新しいクラスタリングアルゴリズムKLiSHを提案する。 KLiSHは、さまざまなオブジェクトのデータセットに基づいてトレーニングされたGANのきめ細かいセマンティクスの抽出に成功している。
  論文  参考訳（メタデータ） (2022-11-30T03:18:16Z)
• LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
  自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。 自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。 機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
  論文  参考訳（メタデータ） (2022-04-06T17:48:18Z)
• Adversarially robust segmentation models learn perceptually-aligned gradients [0.0]
  逆学習されたセマンティックセグメンテーションネットワークを用いて画像のインペイントと生成を行うことができることを示す。 知覚的に整合した勾配は、ニューラルネットワークの学習された表現をよりよく理解し、ニューラルネットワークをより解釈しやすいものにする助けとなる、と我々は主張する。
  論文  参考訳（メタデータ） (2022-04-03T16:04:52Z)
• From Heatmaps to Structural Explanations of Image Classifiers [31.44267537307587]
  この論文は、Deep Networkからいくつかの高レベルな概念を純粋に抽出し視覚化しようとする、説明可能なニューラルネットワーク(XNN)を説明することから始まる。 重要な欠落点が信頼性の高いヒートマップ可視化ツールであることに気付き、I-GOSとiGOS++を開発した。 研究プロセスを通じて、我々はディープネットワークの説明を構築する上での洞察について多くを学びました。
  論文  参考訳（メタデータ） (2021-09-13T23:39:57Z)
• HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
  我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。 より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
  論文  参考訳（メタデータ） (2021-06-13T18:55:23Z)
• Knowledge Distillation By Sparse Representation Matching [107.87219371697063]
  本稿では,一方の畳み込みネットワーク(cnn)から他方へ,スパース表現を用いて中間知識を伝達するスパース表現マッチング(srm)を提案する。 勾配降下を利用して効率的に最適化し、任意のCNNにプラグアンドプレイで統合できるニューラルプロセッシングブロックとして定式化します。 実験の結果,教師と生徒のネットワーク間のアーキテクチャの違いに頑健であり,複数のデータセットにまたがる他のkd技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-31T11:47:47Z)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)
• Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
  組織像解析のための教師なし領域適応のための新しい手法を提案する。 特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。 実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-08-21T04:53:44Z)
• Usefulness of interpretability methods to explain deep learning based plant stress phenotyping [8.786924604224101]
  8種類のダイズストレス(抗生物質および抗生物質)の分類のためのDenseNet-121ネットワークを訓練する テストデータの多種多様なサブセットについては、重要な特徴と人間の専門家が特定した特徴を比較した。 ほとんどの解釈可能性法は、葉の感染した領域を、正しく分類された画像の重要な特徴として識別する。
  論文  参考訳（メタデータ） (2020-07-11T09:28:50Z)
• Learning Representations by Predicting Bags of Visual Words [55.332200948110895]
  自己教師付き表現学習ターゲットは、ラベルなしデータから畳み込みに基づく画像表現を学習する。 この分野におけるNLP手法の成功に触発された本研究では,空間的に高密度な画像記述に基づく自己教師型アプローチを提案する。
  論文  参考訳（メタデータ） (2020-02-27T16:45:25Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。