論文の概要: Comprehensive Evaluation of Prototype Neural Networks

• arxiv url: http://arxiv.org/abs/2507.06819v1
• Date: Wed, 09 Jul 2025 13:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.591984
• Title: Comprehensive Evaluation of Prototype Neural Networks
• Title（参考訳）: プロトタイプニューラルネットワークの総合評価
• Authors: Philipp Schlinge, Steffen Meinert, Martin Atzmueller,
• Abstract要約: プロトタイプモデルは、説明可能な人工知能(XAI)と解釈可能な機械学習の重要な方法である。 本稿では,ProtoPNet,ProtoPool,PIPNetなどの著名なプロトタイプモデルの詳細な分析を行う。 モデル解釈可能性の分析をさらに補完する新しい指標をいくつか提案する。
• 参考スコア（独自算出の注目度）: 0.10241134756773229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prototype models are an important method for explainable artificial intelligence (XAI) and interpretable machine learning. In this paper, we perform an in-depth analysis of a set of prominent prototype models including ProtoPNet, ProtoPool and PIPNet. For their assessment, we apply a comprehensive set of metrics. In addition to applying standard metrics from literature, we propose several new metrics to further complement the analysis of model interpretability. In our experimentation, we apply the set of prototype models on a diverse set of datasets including fine-grained classification, Non-IID settings and multi-label classification to further contrast the performance. Furthermore, we also provide our code as an open-source library, which facilitates simple application of the metrics itself, as well as extensibility - providing the option for easily adding new metrics and models. https://github.com/uos-sis/quanproto
• Abstract（参考訳）: プロトタイプモデルは、説明可能な人工知能(XAI)と解釈可能な機械学習の重要な方法である。 本稿では,ProtoPNet,ProtoPool,PIPNetなどの著名なプロトタイプモデルの詳細な分析を行う。 彼らの評価には、包括的なメトリクスのセットを適用します。 文献から標準メトリクスを適用することに加えて、モデル解釈可能性の分析をさらに補完するいくつかの新しい指標を提案する。 実験では, 詳細な分類, 非IID設定, マルチラベル分類など, 多様なデータセットに対して, プロトタイプモデルの集合を適用して, 性能のコントラストを高める。 さらに、当社のコードをオープンソースライブラリとして提供し、メトリクス自体のシンプルな適用を容易にし、拡張性も提供します。 https://github.com/uos-sis/quanproto

関連論文リスト

• This Looks Better than That: Better Interpretable Models with ProtoPNeXt [14.28283868577614]
  原型部品モデルは、コンピュータビジョンのためのブラックボックスディープラーニングモデルに代わる一般的な解釈可能な代替品である。 原型モデルのコンポーネントを統合するための新しいフレームワーク、ProtoPNeXtを作成します。
  論文  参考訳（メタデータ） (2024-06-20T18:54:27Z)
• Self-Supervised Representation Learning with Meta Comprehensive Regularization [11.387994024747842]
  既存の自己管理フレームワークに組み込まれたCompMod with Meta Comprehensive Regularization (MCR)というモジュールを導入する。 提案したモデルを双方向最適化機構により更新し,包括的特徴を捉える。 本稿では,情報理論と因果対実的視点から提案手法の理論的支援を行う。
  論文  参考訳（メタデータ） (2024-03-03T15:53:48Z)
• Evaluating Representations with Readout Model Switching [19.907607374144167]
  本稿では,最小記述長(MDL)の原理を用いて評価指標を考案する。 我々は、読み出しモデルのためのハイブリッド離散および連続値モデル空間を設計し、それらの予測を組み合わせるために切替戦略を用いる。 提案手法はオンライン手法で効率的に計算でき,様々なアーキテクチャの事前学習された視覚エンコーダに対する結果を示す。
  論文  参考訳（メタデータ） (2023-02-19T14:08:01Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• Learning Prototype-oriented Set Representations for Meta-Learning [85.19407183975802]
  集合構造データから学ぶことは、近年注目を集めている根本的な問題である。 本稿では,既存の要約ネットワークを改善するための新しい最適輸送方式を提案する。 さらに、少数ショット分類と暗黙的メタ生成モデリングの事例にインスタンス化する。
  論文  参考訳（メタデータ） (2021-10-18T09:49:05Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
  原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。 PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。 PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
  論文  参考訳（メタデータ） (2020-05-11T09:53:36Z)

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。