論文の概要: Representational Similarity via Interpretable Visual Concepts

• arxiv url: http://arxiv.org/abs/2503.15699v1
• Date: Wed, 19 Mar 2025 21:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:35:11.270563
• Title: Representational Similarity via Interpretable Visual Concepts
• Title（参考訳）: 解釈可能な視覚概念による表現的類似性
• Authors: Neehar Kondapaneni, Oisin Mac Aodha, Pietro Perona,
• Abstract要約: 本稿では,2つのネットワークを比較するための解釈可能な表現類似性手法を提案する。 モデルの違いのいくつかの側面は、一方のモデルがもう一方のモデルでうまく表現されていないというユニークな概念に起因していることが示される。
• 参考スコア（独自算出の注目度）: 27.72186215265676
• License:
• Abstract: How do two deep neural networks differ in how they arrive at a decision? Measuring the similarity of deep networks has been a long-standing open question. Most existing methods provide a single number to measure the similarity of two networks at a given layer, but give no insight into what makes them similar or dissimilar. We introduce an interpretable representational similarity method (RSVC) to compare two networks. We use RSVC to discover shared and unique visual concepts between two models. We show that some aspects of model differences can be attributed to unique concepts discovered by one model that are not well represented in the other. Finally, we conduct extensive evaluation across different vision model architectures and training protocols to demonstrate its effectiveness.
• Abstract（参考訳）: 2つのディープニューラルネットワークは、決定に達する方法にどのように異なるのか? ディープネットワークの類似性を測定することは、長年にわたって疑問視されてきた。 既存のほとんどの手法は、与えられた層における2つのネットワークの類似度を測定するために単一の番号を提供するが、それらが類似しているか、異種であるかについての洞察は得られない。 本稿では,2つのネットワークを比較するために,解釈可能な表現類似性法(RSVC)を提案する。 RSVCを用いて2つのモデル間で共有されたユニークな視覚概念を探索する。 モデルの違いのいくつかの側面は、一方のモデルがもう一方のモデルでうまく表現されていないというユニークな概念に起因していることが示される。 最後に、異なる視覚モデルアーキテクチャとトレーニングプロトコルをまたいだ広範囲な評価を行い、その効果を実証する。

関連論文リスト

• Revealing Similar Semantics Inside CNNs: An Interpretable Concept-based Comparison of Feature Spaces [0.0]
  安全に重要なアプリケーションは、人工知能コンポーネントの透明性を必要とする。 認識タスクに広く使用される畳み込みニューラルネットワーク(CNN)は、固有の解釈可能性に欠ける。 CNN潜在空間内の意味情報間の階層的類似性を推定する2つの手法を提案する。
  論文  参考訳（メタデータ） (2023-04-30T13:53:39Z)
• Model Stitching: Looking For Functional Similarity Between Representations [5.657258033928475]
  我々は、モデルステッチを使用して、異なるシードおよび/または同じアーキテクチャのトレーニングされたニューラルネットワークによって学習された同じ形状の表現を比較する、以前の研究を拡張した。 モデル縫合の予期せぬ挙動を明らかにする。つまり、小さなResNetに対して畳み込みに基づく縫合は、第1(sender)ネットワークにおいて第2(receiver)よりも第2(receiver)ネットワークで後になっても高い精度に達する。
  論文  参考訳（メタデータ） (2023-03-20T17:12:42Z)
• Attributable Visual Similarity Learning [90.69718495533144]
  本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。 人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。 CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2022-03-28T17:35:31Z)
• Comparing Deep Neural Nets with UMAP Tour [12.910602784766562]
  UMAP Tourは、現実世界のニューラルネットワークモデルの内部動作を視覚的に検査し、比較するために構築されている。 最先端のモデルで学んだ概念と、GoogLeNetやResNetといった両者の相違点を見出す。
  論文  参考訳（メタデータ） (2021-10-18T15:59:13Z)
• Interpreting Face Inference Models using Hierarchical Network Dissection [10.852613235927958]
  階層的ネットワーク分割(Hierarchical Network Dissection)は、顔中心推論モデルの内部表現を解釈するパイプラインである。 私たちのパイプラインは、オブジェクト中心およびシーン中心モデルの一般的な解釈可能性モデルであるNetwork Dissectionにインスパイアされています。
  論文  参考訳（メタデータ） (2021-08-23T18:52:47Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• Toward Scalable and Unified Example-based Explanation and Outlier Detection [128.23117182137418]
  我々は,試行錯誤の予測に例ベースの説明を与えることのできる,プロトタイプベースの学生ネットワークのより広範な採用を論じる。 類似カーネル以外のプロトタイプベースのネットワークは,分類精度を損なうことなく,有意義な説明と有望な外乱検出結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-11-11T05:58:17Z)
• Visual Concept Reasoning Networks [93.99840807973546]
  分割変換マージ戦略は、視覚認識タスクのための畳み込みニューラルネットワークのアーキテクチャ制約として広く使用されている。 我々は、この戦略を利用して、高レベルの視覚概念間の推論を可能にするために、Visual Concept Reasoning Networks (VCRNet) と組み合わせることを提案する。 提案するモデルであるVCRNetは、パラメータ数を1%以下にすることで、一貫して性能を向上する。
  論文  参考訳（メタデータ） (2020-08-26T20:02:40Z)
• Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
  本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。 両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
  論文  参考訳（メタデータ） (2020-07-23T14:00:34Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Domain Siamese CNNs for Sparse Multispectral Disparity Estimation [15.065764374430783]
  そこで本研究では,異なるスペクトルの画像間の不均一性を推定できる新しいCNNアーキテクチャを提案する。 LITIV 2014およびLITIV 2018データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2020-04-30T20:29:59Z)

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。