Fugu-MT 論文翻訳(概要): Explainable embeddings with Distance Explainer

論文の概要: Explainable embeddings with Distance Explainer

arxiv url: http://arxiv.org/abs/2505.15516v1
Date: Wed, 21 May 2025 13:42:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-22 15:42:59.670374
Title: Explainable embeddings with Distance Explainer
Title（参考訳）: Distance Explainerによる説明可能な埋め込み
Authors: Christiaan Meijer, E. G. Patrick Bos,
Abstract要約: 本稿では,機械学習モデルにおける組込み空間の局所的・ポストホックな説明を生成する新しい手法であるDistance Explainerを紹介する。提案手法は, マスク選択と距離ランクマスクフィルタリングによる帰属値の割り当てにより, 組込みデータ点間の距離を説明するために, RISEのサリエンシに基づく手法に適応する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While eXplainable AI (XAI) has advanced significantly, few methods address interpretability in embedded vector spaces where dimensions represent complex abstractions. We introduce Distance Explainer, a novel method for generating local, post-hoc explanations of embedded spaces in machine learning models. Our approach adapts saliency-based techniques from RISE to explain the distance between two embedded data points by assigning attribution values through selective masking and distance-ranked mask filtering. We evaluate Distance Explainer on cross-modal embeddings (image-image and image-caption pairs) using established XAI metrics including Faithfulness, Sensitivity/Robustness, and Randomization. Experiments with ImageNet and CLIP models demonstrate that our method effectively identifies features contributing to similarity or dissimilarity between embedded data points while maintaining high robustness and consistency. We also explore how parameter tuning, particularly mask quantity and selection strategy, affects explanation quality. This work addresses a critical gap in XAI research and enhances transparency and trustworthiness in deep learning applications utilizing embedded spaces.
Abstract（参考訳）: eXplainable AI(XAI)は大幅に進歩しているが、次元が複雑な抽象化を表す埋め込みベクトル空間における解釈可能性に対処する手法はほとんどない。本稿では,機械学習モデルにおける組込み空間の局所的・ポストホックな説明を生成する新しい手法であるDistance Explainerを紹介する。提案手法は, マスク選択と距離ランクマスクフィルタリングによる帰属値の割り当てにより, 組込みデータ点間の距離を説明するために, RISEのサリエンシに基づく手法に適応する。本研究では,Fithfulness, Sensitivity/Robustness, Randomizationなどの確立したXAI指標を用いて,クロスモーダル埋め込み(イメージとイメージのペア)における距離説明器の評価を行った。 ImageNet と CLIP モデルを用いた実験により,高堅牢性と一貫性を維持しつつ,組込みデータ点間の類似性や相似性に寄与する特徴を効果的に同定できることが実証された。また,パラメータチューニング,特にマスク量と選択戦略が説明品質に与える影響についても検討する。この研究は、XAI研究における重要なギャップに対処し、組込み空間を利用したディープラーニングアプリケーションにおける透明性と信頼性を高める。

関連論文リスト

EdgeRegNet: Edge Feature-based Multimodal Registration Network between Images and LiDAR Point Clouds [10.324549723042338]
クロスモーダルなデータ登録は、長い間コンピュータビジョンにおいて重要な課題だった。本稿では,原点雲と画像からのエッジ情報を用いたクロスモーダル登録手法を提案する。提案手法をKITTIおよびnuScenesデータセット上で検証し,その最先端性能を実証した。
論文参考訳（メタデータ） (2025-03-19T15:03:41Z)
GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
論文参考訳（メタデータ） (2024-10-20T03:45:50Z)
Frequency-Spatial Entanglement Learning for Camouflaged Object Detection [34.426297468968485]
既存の手法では、複雑な設計で空間的特徴の識別能力を最大化することにより、画素類似性の影響を減らそうとしている。本稿では,周波数領域と空間領域の表現を共同で探索し,周波数空間の絡み合い学習(FSEL)手法を提案する。我々の実験は、広く使われている3つのデータセットにおける包括的量的および質的比較を通じて、21以上の最先端手法によるFSELの優位性を実証した。
論文参考訳（メタデータ） (2024-09-03T07:58:47Z)
MICDrop: Masking Image and Depth Features via Complementary Dropout for Domain-Adaptive Semantic Segmentation [155.0797148367653]
Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインギャップを埋めるタスクである。深度不連続性はしばしばセグメンテーション境界と一致するため、幾何学的情報、すなわち深度予測を活用することを提案する。提案手法は, 様々な UDA 手法にプラグインし, 標準 UDA ベンチマークで連続的に結果を改善することができることを示す。
論文参考訳（メタデータ） (2024-08-29T12:15:10Z)
MSSPlace: Multi-Sensor Place Recognition with Visual and Text Semantics [41.94295877935867]
マルチカメラのセットアップを活用し,マルチモーダル位置認識のための多様なデータソースを統合することの影響について検討する。提案手法は,複数のカメラ,LiDAR点雲,セマンティックセグメンテーションマスク,テキストアノテーションなどの画像を用いて,総合的な位置記述子を生成する。
論文参考訳（メタデータ） (2024-07-22T14:24:56Z)
Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and Novel Outliers Detection [1.0334138809056097]
高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
論文参考訳（メタデータ） (2024-03-05T16:53:24Z)
Differentiable Registration of Images and LiDAR Point Clouds with VoxelPoint-to-Pixel Matching [58.10418136917358]
カメラからの2D画像とLiDARからの3Dポイントクラウドの間のクロスモダリティ登録は、コンピュータビジョンとロボットトレーニングにおいて重要な課題である。ニューラルネットワークで学習した点パターンと画素パターンのマッチングによる2次元3次元対応の推定我々は、異なる潜在画素空間を介して3次元特徴を表現するために、構造化されたモダリティマッチングソルバを学習する。
論文参考訳（メタデータ） (2023-12-07T05:46:10Z)
De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
論文参考訳（メタデータ） (2023-03-29T18:07:25Z)
Generating detailed saliency maps using model-agnostic methods [0.0]
本稿では, モデルに依存しない RISE 法に着目し, グリッドベースアプローチの欠点を詳細に考察する。 VRISE (Voronoi-RISE) と呼ばれる修正は、大きなオクルージョンを用いて生成された地図の精度を向上させることを目的としている。 ILSVRC2012の検証分割において, VRISE と RISE が生成したサリエンシマップの精度を比較した。
論文参考訳（メタデータ） (2022-09-04T21:34:46Z)
Robust Person Re-Identification through Contextual Mutual Boosting [77.1976737965566]
本研究では,歩行者の局地化を目的としたコンテキスト相互ブースティングネットワーク(CMBN)を提案する。歩行者をローカライズし、文脈情報と統計的推測を効果的に活用することで特徴を再検討する。ベンチマークの実験は、最先端のアーキテクチャと比較してアーキテクチャの優位性を示している。
論文参考訳（メタデータ） (2020-09-16T06:33:35Z)
Learning Invariant Representations for Reinforcement Learning without Reconstruction [98.33235415273562]
本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
論文参考訳（メタデータ） (2020-06-18T17:59:35Z)

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。