論文の概要: Generalization of CNNs on Relational Reasoning with Bar Charts

• arxiv url: http://arxiv.org/abs/2503.00086v1
• Date: Fri, 28 Feb 2025 13:32:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:26:06.234748
• Title: Generalization of CNNs on Relational Reasoning with Bar Charts
• Title（参考訳）: バーチャートを用いた関係推論におけるCNNの一般化
• Authors: Zhenxing Cui, Lu Chen, Yunhai Wang, Daniel Haehn, Yong Wang, Hanspeter Pfister,
• Abstract要約: グラフィカルな知覚に関する以前の実験を再考し、CNNのベンチマーク性能を更新する。 バーチャートのバー長比を推定する古典的リレーショナル推論タスクにおいて,CNNの一般化性能を検証した。 以上の結果から,CNNはトレーニングデータとテストデータが同じ視覚的エンコーディングを持つ場合にのみ,人間よりも優れることがわかった。
• 参考スコア（独自算出の注目度）: 36.78931885142017
• License:
• Abstract: This paper presents a systematic study of the generalization of convolutional neural networks (CNNs) and humans on relational reasoning tasks with bar charts. We first revisit previous experiments on graphical perception and update the benchmark performance of CNNs. We then test the generalization performance of CNNs on a classic relational reasoning task: estimating bar length ratios in a bar chart, by progressively perturbing the standard visualizations. We further conduct a user study to compare the performance of CNNs and humans. Our results show that CNNs outperform humans only when the training and test data have the same visual encodings. Otherwise, they may perform worse. We also find that CNNs are sensitive to perturbations in various visual encodings, regardless of their relevance to the target bars. Yet, humans are mainly influenced by bar lengths. Our study suggests that robust relational reasoning with visualizations is challenging for CNNs. Improving CNNs' generalization performance may require training them to better recognize task-related visual properties.
• Abstract（参考訳）: 本稿では、バーチャートを用いた関係推論タスクにおける畳み込みニューラルネットワーク(CNN)とヒトの一般化に関する体系的研究について述べる。 グラフィカルな知覚に関する以前の実験を再考し、CNNのベンチマーク性能を更新する。 次に,CNNの一般化性能を,バーチャートにおけるバー長比の推定という古典的リレーショナル推論のタスクで検証する。 我々はさらに,CNNと人間のパフォーマンスを比較するために,ユーザスタディを実施している。 以上の結果から,CNNはトレーニングデータとテストデータが同じ視覚的エンコーディングを持つ場合にのみ,人間よりも優れることがわかった。 さもなければ、さらに悪化する可能性がある。 また、CNNは、ターゲットバーとの関係にかかわらず、様々な視覚的エンコーディングにおける摂動に敏感であることがわかった。 しかし、人間は主に棒の長さの影響を受けている。 可視化によるロバストなリレーショナル推論はCNNにとって困難である。 CNNの一般化性能を改善するには、タスク関連の視覚特性をよりよく認識するためのトレーニングが必要である。

関連論文リスト

• A Neurosymbolic Framework for Bias Correction in Convolutional Neural Networks [2.249916681499244]
  我々は、訓練されたCNNにおいて、バイアス補正のためのNeSyBiCorと呼ばれるニューロシンボリックフレームワークを導入する。 我々のフレームワークは、"Places"データセットのサブセットでトレーニングされたCNNのバイアスを修正することに成功した。
  論文  参考訳（メタデータ） (2024-05-24T19:09:53Z)
• Transferability of Convolutional Neural Networks in Stationary Learning Tasks [96.00428692404354]
  本稿では,大規模な空間問題に対する畳み込みニューラルネットワーク(CNN)の効率的なトレーニングのための新しいフレームワークを提案する。 このような信号の小さなウィンドウで訓練されたCNNは、再学習することなく、はるかに大きなウィンドウでほぼ性能を発揮することを示す。 以上の結果から,CNNは10人未満の訓練を受けた後,数百人のエージェントによる問題に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-21T13:51:45Z)
• Improving the Accuracy and Robustness of CNNs Using a Deep CCA Neural Data Regularizer [2.026424957803652]
  畳み込みニューラルネットワーク(CNN)がオブジェクト認識においてより正確になるにつれて、それらの表現は霊長類の視覚システムとよりよく似ている。 この問題に対処する以前の試みは、正規化法の制限により、精度が極端に向上した。 我々は,CNNのイメージ表現とサル視覚野との類似性を最適化するために,ディープ相関解析(DCCA)を用いた新しいCNN用ニューラルデータ正規化器を開発した。
  論文  参考訳（メタデータ） (2022-09-06T15:40:39Z)
• How explainable are adversarially-robust CNNs? [7.143109213647008]
  既存の畳み込みニューラルネットワーク(CNN)の3つの重要な基準は、(1)テストセット精度、(2)アウト・オブ・ディストリビューション精度、(3)説明可能性である。 そこで我々は,9つの特徴重要度法と12のイメージネット学習CNNを用いて,3つの基準の関係を大規模に評価する。
  論文  参考訳（メタデータ） (2022-05-25T20:24:19Z)
• CNNs Avoid Curse of Dimensionality by Learning on Patches [11.546219454021935]
  我々は、畳み込みニューラルネットワーク(CNN)が画像パッチの領域で動作すると主張している。 我々の研究は、CNNの一般化誤差に対する事前誤差を導出した最初のものである。 我々のパッチベースの理論はまた、CNNの一般化誤差を改善するために、Cutout、CutMix、ランダムトリミングといったデータ拡張技術が有効である理由を説明する。
  論文  参考訳（メタデータ） (2022-05-22T06:22:27Z)
• Controlled-rearing studies of newborn chicks and deep neural networks [0.0]
  畳み込みニューラルネットワーク(CNN)は、困難なオブジェクト認識タスクにおいて、人間レベルのパフォーマンスを達成することができる。 CNNは「データ空腹」と考えられており、オブジェクト認識のための正確なモデルを開発するために大量のトレーニングデータを必要とする。 この批判は、視覚発達のモデルとしてCNNを使用するという約束に挑戦する。
  論文  参考訳（メタデータ） (2021-12-12T00:45:07Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。