論文の概要: EPIC: Explanation of Pretrained Image Classification Networks via Prototype

• arxiv url: http://arxiv.org/abs/2505.12897v1
• Date: Mon, 19 May 2025 09:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.515266
• Title: EPIC: Explanation of Pretrained Image Classification Networks via Prototype
• Title（参考訳）: EPIC:プロトタイプによる事前訓練画像分類ネットワークの提案
• Authors: Piotr Borycki, Magdalena Trędowicz, Szymon Janusz, Jacek Tabor, Przemysław Spurek, Arkadiusz Lewicki, Łukasz Struski,
• Abstract要約: EPIC(Explanation of Pretrained Image Classification)は、アンテホックとポストホックの説明のギャップを埋める新しいアプローチである。 アンテホックなテクニックにインスパイアされた、直感的でプロトタイプベースの説明を提供する。 プロトタイプベースの説明によく用いられるベンチマークデータセット上でEPICを評価する。
• 参考スコア（独自算出の注目度）: 6.619564359642066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable AI (XAI) methods generally fall into two categories. Post-hoc approaches generate explanations for pre-trained models and are compatible with various neural network architectures. These methods often use feature importance visualizations, such as saliency maps, to indicate which input regions influenced the model's prediction. Unfortunately, they typically offer a coarse understanding of the model's decision-making process. In contrast, ante-hoc (inherently explainable) methods rely on specially designed model architectures trained from scratch. A notable subclass of these methods provides explanations through prototypes, representative patches extracted from the training data. However, prototype-based approaches have limitations: they require dedicated architectures, involve specialized training procedures, and perform well only on specific datasets. In this work, we propose EPIC (Explanation of Pretrained Image Classification), a novel approach that bridges the gap between these two paradigms. Like post-hoc methods, EPIC operates on pre-trained models without architectural modifications. Simultaneously, it delivers intuitive, prototype-based explanations inspired by ante-hoc techniques. To the best of our knowledge, EPIC is the first post-hoc method capable of fully replicating the core explanatory power of inherently interpretable models. We evaluate EPIC on benchmark datasets commonly used in prototype-based explanations, such as CUB-200-2011 and Stanford Cars, alongside large-scale datasets like ImageNet, typically employed by post-hoc methods. EPIC uses prototypes to explain model decisions, providing a flexible and easy-to-understand tool for creating clear, high-quality explanations.
• Abstract（参考訳）: 説明可能なAI(XAI)メソッドは一般的に2つのカテゴリに分類される。 ポストホックアプローチは、事前訓練されたモデルの説明を生成し、さまざまなニューラルネットワークアーキテクチャと互換性がある。 これらの手法は、モデルの予測にどの入力領域が影響したかを示すために、サリエンシマップのような特徴的重要性の可視化を使用することが多い。 残念なことに、彼らは通常、モデルの意思決定プロセスについて粗い理解を提供する。 対照的に、Ante-hoc(本質的に説明可能な)メソッドは、スクラッチから訓練された特別に設計されたモデルアーキテクチャに依存している。 これらの手法の特筆すべきサブクラスは、トレーニングデータから抽出された代表的パッチであるプロトタイプを通じて説明を提供する。 しかし、プロトタイプベースのアプローチには制限があり、専用のアーキテクチャを必要とし、特別なトレーニング手順を伴い、特定のデータセットでのみうまく機能する。 本研究では,この2つのパラダイム間のギャップを埋める新しい手法であるEPIC(Explanation of Pretrained Image Classification)を提案する。 ポストホック法と同様に、EPICはアーキテクチャの変更なしに事前訓練されたモデルで動作する。 同時に、アンテホックなテクニックにインスパイアされた、直感的でプロトタイプベースの説明を提供する。 我々の知る限り、EPICは本質的に解釈可能なモデルのコア説明力を完全に複製できる最初のポストホック法である。 我々は、CUB-200-2011やStanford Carsのようなプロトタイプベースの説明によく使用されるベンチマークデータセットと、一般的にポストホックメソッドで使用されるImageNetのような大規模データセットについてEPICを評価する。 EPICはプロトタイプを使用してモデル決定を説明し、明確で高品質な説明を作成するための柔軟で理解しやすいツールを提供する。

関連論文リスト

• How to Probe: Simple Yet Effective Techniques for Improving Post-hoc Explanations [69.72654127617058]
  ポストホック重要属性法は、ディープニューラルネットワーク(DNN)を"説明"するための一般的なツールである この研究において、我々はこの概念に挑戦する経験的証拠を提示する。 トレーニング済みモデルの分類レイヤのトレーニング詳細が重要な役割を果たすことを示す。
  論文  参考訳（メタデータ） (2025-03-01T22:25:11Z)
• P-TAME: Explain Any Image Classifier with Trained Perturbations [14.31574090533474]
  P-TAME (Perturbation-based Trainable Attention Mechanism for Explanations) は、ディープニューラルネットワーク(DNN)を説明するためのモデルに依存しない手法である。 推論中に単一のフォワードパスで高分解能な説明を生成する。 本稿では,VGG-16,ResNet-50,ViT-B-16の3つの画像分類器について,P-TAMEを用いて検討する。
  論文  参考訳（メタデータ） (2025-01-29T18:06:08Z)
• InfoDisent: Explainability of Image Classification Models by Information Disentanglement [10.89767277352967]
  本稿では,情報ボトルネックの原理に基づく説明可能性のハイブリッドアプローチであるInfoDisentを紹介する。 本稿では,各種データセットを対象とした計算実験とユーザスタディを通じてInfoDisentの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-16T14:39:15Z)
• High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
  基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。 具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。 2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-09-10T08:04:11Z)
• Enhanced Prototypical Part Network (EPPNet) For Explainable Image Classification Via Prototypes [16.528373143163275]
  画像分類のためのEPPNet(Enhanced Prototypeal Part Network)を導入する。 EPPNetは、分類結果を説明するために使用可能な関連するプロトタイプを発見しながら、強力なパフォーマンスを実現している。 CUB-200-2011 データセットによる評価の結果,EPPNet は最先端の xAI ベースの手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-08T17:26:56Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Multi-Modal Few-Shot Object Detection with Meta-Learning-Based Cross-Modal Prompting [77.69172089359606]
  本稿では,マルチモーダルな複数ショットオブジェクト検出(FSOD)について,少数ショット視覚例とクラスセマンティック情報の両方を用いて検討する。 我々のアプローチは、(メトリックベース)メタラーニングとプロンプトベースラーニングの高レベルな概念的類似性によって動機付けられている。 提案するマルチモーダルFSODモデルを,複数の複数ショットオブジェクト検出ベンチマークで総合的に評価し,有望な結果を得た。
  論文  参考訳（メタデータ） (2022-04-16T16:45:06Z)
• Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition [80.35852245488043]
  放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。 RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。 提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
  論文  参考訳（メタデータ） (2021-09-07T21:05:56Z)
• This looks more like that: Enhancing Self-Explaining Models by Prototypical Relevance Propagation [17.485732906337507]
  本稿では,自己説明型ネットワークであるProtoPNetのアーティファクトのスペクトルの存在下でのケーススタディを示す。 より正確なモデル認識説明を生成するための新しい手法を提案する。 クリーンなデータセットを得るために,アーティファクト画像を分離するためのマルチビュークラスタリング戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-27T09:55:53Z)
• Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
  クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。 既存のFSCモデルに対する新しいトレーニング手法を提案する。 説明誘導学習はモデル一般化を効果的に改善することを示す。
  論文  参考訳（メタデータ） (2020-07-17T07:28:08Z)

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。