論文の概要: CHiQPM: Calibrated Hierarchical Interpretable Image Classification

• arxiv url: http://arxiv.org/abs/2511.20779v1
• Date: Tue, 25 Nov 2025 19:16:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.818238
• Title: CHiQPM: Calibrated Hierarchical Interpretable Image Classification
• Title（参考訳）: CHiQPM: 階層的解釈可能な画像分類の校正
• Authors: Thomas Norrenbrock, Timo Kaiser, Sovan Biswas, Neslihan Kose, Ramesh Manuvinakurike, Bodo Rosenhahn,
• Abstract要約: この研究は、一意に包括的なグローバルおよび局所的解釈性を提供するCalibrated Hierarchical QPM (CHiQPM)を提案する。 CHiQPMは、ポイント予測器として最先端の精度を達成し、非解釈可能なモデルの99%の精度を維持する。
• 参考スコア（独自算出の注目度）: 26.131803856233798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Globally interpretable models are a promising approach for trustworthy AI in safety-critical domains. Alongside global explanations, detailed local explanations are a crucial complement to effectively support human experts during inference. This work proposes the Calibrated Hierarchical QPM (CHiQPM) which offers uniquely comprehensive global and local interpretability, paving the way for human-AI complementarity. CHiQPM achieves superior global interpretability by contrastively explaining the majority of classes and offers novel hierarchical explanations that are more similar to how humans reason and can be traversed to offer a built-in interpretable Conformal prediction (CP) method. Our comprehensive evaluation shows that CHiQPM achieves state-of-the-art accuracy as a point predictor, maintaining 99% accuracy of non-interpretable models. This demonstrates a substantial improvement, where interpretability is incorporated without sacrificing overall accuracy. Furthermore, its calibrated set prediction is competitively efficient to other CP methods, while providing interpretable predictions of coherent sets along its hierarchical explanation.
• Abstract（参考訳）: グローバルに解釈可能なモデルは、安全クリティカルな領域における信頼できるAIにとって有望なアプローチである。 世界的説明に加えて、詳細な局所的な説明は、推論中に人間の専門家を効果的に支援するための重要な補完となる。 本研究は,グローバル・ローカル・インタプリタビリティを一意に包括的に提供し,人間とAIの相補性を実現するCalibrated Hierarchical QPM (CHiQPM)を提案する。 CHiQPMは、クラスの大部分を対照的に説明し、人間の理性に類似した新しい階層的な説明を提供することにより、優れたグローバルな解釈可能性を実現する。 総合評価の結果,CHiQPMは点予測器として最先端の精度を達成し,非解釈モデルの99%の精度を維持した。 これは、全体的な精度を犠牲にすることなく、解釈可能性を導入するという、大幅な改善を示している。 さらに、その校正された集合予測は他のCP法と競合的に効率的であり、その階層的な説明に沿ってコヒーレント集合の解釈可能な予測を提供する。

関連論文リスト

• QPM: Discrete Optimization for Globally Interpretable Image Classification [17.460420995034216]
  本稿では,グローバルに解釈可能なクラス表現を学習する準プログラミング拡張モデル(QPM)を紹介する。 QPMは、他のクラスにも割り当てられる5つの機能のうち、非常に少ないバイナリの割り当てを持つすべてのクラスを表す。 結果として得られる最適割り当ては、様々な特徴を微調整するために使用され、それぞれが共有一般概念となる。
  論文  参考訳（メタデータ） (2025-02-27T14:25:36Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Intrinsic User-Centric Interpretability through Global Mixture of Experts [31.738009841932374]
  InterpretCCは、人間の理解の容易さと忠実さの説明を最適化する、本質的に解釈可能なニューラルネットワークのファミリーである。 本報告では,InterpretCCの説明は,他の本質的な解釈可能なアプローチよりも,行動性や有用性が高いことを示す。
  論文  参考訳（メタデータ） (2024-02-05T11:55:50Z)
• Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
  容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。 正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。 提案手法であるPremiseが実際によく動作することを示す。
  論文  参考訳（メタデータ） (2023-11-18T00:24:26Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Learning Optimal Fair Classification Trees: Trade-offs Between Interpretability, Fairness, and Accuracy [7.215903549622416]
  最適分類木を学習するための混合整数最適化フレームワークを提案する。 我々は、一般的なデータセットの公平な分類のための最先端アプローチに対して、我々の手法をベンチマークする。 我々の手法は、ほぼ完全に一致した決定を一貫して見つけ出すが、他の手法は滅多にない。
  論文  参考訳（メタデータ） (2022-01-24T19:47:10Z)
• Partial Order in Chaos: Consensus on Feature Attributions in the Rashomon Set [50.67431815647126]
  ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。 この手法により局所的・言語的特徴の半順序が生じることを示す。 これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
  論文  参考訳（メタデータ） (2021-10-26T02:53:14Z)
• An Information Bottleneck Approach for Controlling Conciseness in Rationale Extraction [84.49035467829819]
  我々は,情報ボトルネック(IB)の目的を最適化することで,このトレードオフをよりよく管理できることを示す。 我々の完全教師なしのアプローチは、文上のスパース二項マスクを予測する説明器と、抽出された合理性のみを考慮したエンドタスク予測器を共同で学習する。
  論文  参考訳（メタデータ） (2020-05-01T23:26:41Z)

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。