論文の概要: ShapBPT: Image Feature Attributions Using Data-Aware Binary Partition Trees

• arxiv url: http://arxiv.org/abs/2602.07047v1
• Date: Wed, 04 Feb 2026 10:42:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.398951
• Title: ShapBPT: Image Feature Attributions Using Data-Aware Binary Partition Trees
• Title（参考訳）: ShapBPT:データ対応バイナリ分割木を用いた画像特徴属性
• Authors: Muhammad Rashid, Elvio G. Amparore, Enrico Ferrari, Damiano Verda,
• Abstract要約: ピクセルレベルの特徴属性は、コンピュータビジョンのためのeXplainable AI(XCV)の重要なツールである 本稿では,階層型シェープ式に基づく新しいデータ認識型XCV法であるShapBPTを紹介する。 このデータ対応階層的パーティショニングを使用することで、ShapBPTは、その特徴属性と本質的なイメージデータとの整合性を保証する。
• 参考スコア（独自算出の注目度）: 3.7098626170498643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pixel-level feature attributions are an important tool in eXplainable AI for Computer Vision (XCV), providing visual insights into how image features influence model predictions. The Owen formula for hierarchical Shapley values has been widely used to interpret machine learning (ML) models and their learned representations. However, existing hierarchical Shapley approaches do not exploit the multiscale structure of image data, leading to slow convergence and weak alignment with the actual morphological features. Moreover, no prior Shapley method has leveraged data-aware hierarchies for Computer Vision tasks, leaving a gap in model interpretability of structured visual data. To address this, this paper introduces ShapBPT, a novel data-aware XCV method based on the hierarchical Shapley formula. ShapBPT assigns Shapley coefficients to a multiscale hierarchical structure tailored for images, the Binary Partition Tree (BPT). By using this data-aware hierarchical partitioning, ShapBPT ensures that feature attributions align with intrinsic image morphology, effectively prioritizing relevant regions while reducing computational overhead. This advancement connects hierarchical Shapley methods with image data, providing a more efficient and semantically meaningful approach to visual interpretability. Experimental results confirm ShapBPT's effectiveness, demonstrating superior alignment with image structures and improved efficiency over existing XCV methods, and a 20-subject user study confirming that ShapBPT explanations are preferred by humans.
• Abstract（参考訳）: ピクセルレベルの特徴属性は、eXplainable AI for Computer Vision(XCV)において重要なツールであり、画像の特徴がモデル予測にどのように影響するかについての視覚的な洞察を提供する。 階層型シェープリー値のオーウェン公式は機械学習(ML)モデルとその学習表現の解釈に広く用いられている。 しかし、既存の階層的シャプリーアプローチは画像データのマルチスケール構造を活用せず、収束が遅く、実際の形態的特徴との整合性が弱い。 さらに、従来のShapley手法では、構造化された視覚データのモデル解釈可能性のギャップを残さず、コンピュータビジョンタスクにデータ認識階層を活用していない。 そこで本稿では,階層型シェープ式に基づく新しいデータ認識型XCV法であるShapBPTを紹介する。 ShapBPTは、画像に適したマルチスケール階層構造であるBinary Partition Tree (BPT)にシェープ係数を割り当てる。 このデータ対応階層的パーティショニングを使用することで、ShapBPTは、特徴属性が固有の画像形態と一致することを保証し、計算オーバーヘッドを低減しつつ、関連領域を効果的に優先順位付けする。 この進歩は階層的なシェープリー法と画像データとを結びつけ、視覚的解釈可能性に対するより効率的で意味のあるアプローチを提供する。 実験により,ShapBPTの有効性が確認され,画像構造との整合性が向上し,既存のXCV法よりも効率が向上した。

関連論文リスト

• COMIX: Compositional Explanations using Prototypes [46.15031477955461]
  本稿では,機械表現を人間の理解と整合させる手法を提案する。 提案手法はCOMIXと呼ばれ,学習概念に基づいて領域に分解することで画像の分類を行う。 提案手法は説明の完全性を提供し,その効率性は他の本質的に解釈可能なアーキテクチャと競合することを示す。
  論文  参考訳（メタデータ） (2025-01-10T15:40:31Z)
• Table2Image: Interpretable Tabular Data Classification with Realistic Image Transformations [5.62508658491325]
  本稿では,表形式のデータをリアルかつ多様な画像表現に変換する新しいフレームワークであるTable2Imageを紹介する。 また、元のデータとその変換された画像表現からの洞察を統合する、解釈可能性フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-09T07:24:31Z)
• ShapG: new feature importance method based on the Shapley value [3.411077163447709]
  特徴量を測定するために,ShapG (Shapley value for Graphs) と呼ばれる新しい説明可能な人工知能 (XAI) 手法を提案する。 最初の段階では、データセットに基づいて、ノードが機能を表し、エッジが追加される非指向グラフを定義する。 第2段階では、このグラフ構造を考慮したデータをサンプリングすることにより、近似されたシェープ値を算出する。
  論文  参考訳（メタデータ） (2024-06-29T18:19:55Z)
• Parameter-Inverted Image Pyramid Networks [49.35689698870247]
  Inverted Image Pyramid Networks (PIIP) と呼ばれる新しいネットワークアーキテクチャを提案する。 私たちの中核となる考え方は、パラメータサイズの異なるモデルを使用して、画像ピラミッドの解像度の異なるレベルを処理することです。 PIIPは、オブジェクト検出、セグメンテーション、画像分類などのタスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:10Z)
• Efficient Visual State Space Model for Image Deblurring [99.54894198086852]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。 提案したEVSSMは、ベンチマークデータセットや実世界の画像に対する最先端の手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• Fast Hierarchical Games for Image Explanations [78.16853337149871]
  本稿では,シェープリー係数の階層的拡張に基づく画像分類のモデル非依存な説明法を提案する。 他のShapleyベースの説明手法とは異なり、h-Shapはスケーラブルで近似を必要とせずに計算できる。 本手法は,合成データセット,医用画像シナリオ,一般コンピュータビジョン問題において,一般的なシャプリーベースおよび非サプリーベース手法と比較した。
  論文  参考訳（メタデータ） (2021-04-13T13:11:02Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。