論文の概要: DD-CAM: Minimal Sufficient Explanations for Vision Models Using Delta Debugging

• arxiv url: http://arxiv.org/abs/2602.19274v1
• Date: Sun, 22 Feb 2026 17:12:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.559109
• Title: DD-CAM: Minimal Sufficient Explanations for Vision Models Using Delta Debugging
• Title（参考訳）: DD-CAM:デルタデバッギングを用いた視覚モデルのための最適最小記述法
• Authors: Krishna Khadka, Yu Lei, Raghu N. Kacker, D. Richard Kuhn,
• Abstract要約: 視覚モデルにおいて、最小限、十分、そして決定保存的な説明を識別するための勾配のないフレームワークを導入する。 DD-CAMは, 関節の活性化が予測の維持に十分である1つの最小サブセットを同定する。 私たちは、最も重要な機能のみをハイライトする最小限の、予測保存されたサリエンシマップを生成します。
• 参考スコア（独自算出の注目度）: 1.7195886774107125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a gradient-free framework for identifying minimal, sufficient, and decision-preserving explanations in vision models by isolating the smallest subset of representational units whose joint activation preserves predictions. Unlike existing approaches that aggregate all units, often leading to cluttered saliency maps, our approach, DD-CAM, identifies a 1-minimal subset whose joint activation suffices to preserve the prediction (i.e., removing any unit from the subset alters the prediction). To efficiently isolate minimal sufficient subsets, we adapt delta debugging, a systematic reduction strategy from software debugging, and configure its search strategy based on unit interactions in the classifier head: testing individual units for models with non-interacting units and testing unit combinations for models in which unit interactions exist. We then generate minimal, prediction-preserving saliency maps that highlight only the most essential features. Our experimental evaluation demonstrates that our approach can produce more faithful explanations and achieve higher localization accuracy than the state-of-the-art CAM-based approaches.
• Abstract（参考訳）: 共同活性化が予測を保存する表現単位の最小サブセットを分離することにより、視覚モデルにおける最小、十分、そして決定保存的な説明を識別するための勾配のないフレームワークを導入する。 全ての単位を集約する既存のアプローチと異なり、散らばった塩分マップにつながることが多いが、DD-CAMというアプローチでは、共同活性化が予測を保存するのに十分である1つの最小部分集合を同定する(つまり、サブセットから任意の単位を取り除くと予測が変化する)。 最小限のサブセットを効率的に分離するために、デルタデバッギング、ソフトウェアデバッギングからの体系的削減戦略、および分類器ヘッド内のユニット間相互作用に基づく探索戦略、非相互作用ユニットを持つモデルの個々のユニットのテスト、ユニット間相互作用が存在するモデルのユニットの組み合わせのテストを行う。 次に、最も重要な機能のみをハイライトする、最小限の予測保存型サリエンシマップを生成します。 実験により,本手法によりより忠実な説明が得られ,最先端のCAMベースのアプローチよりも高い局所化精度が得られることが示された。

関連論文リスト

• Uncertainty Guided Refinement for Fine-Grained Salient Object Detection [35.6505339733396]
  我々は、正当性物体検出(SOD)に対する不確実性誘導学習手法を導入する。 我々は、新しい不確実性ガイド型リファインメント注意ネットワーク(UGRAN)を設計する。 7つのベンチマークデータセットの実験は、最先端の方法論よりも提案されたUGRANの方が優れていることを示している。
  論文  参考訳（メタデータ） (2025-04-13T17:34:37Z)
• Exploring Query Efficient Data Generation towards Data-free Model Stealing in Hard Label Setting [38.755154033324374]
  データフリーモデルは、ターゲットモデルの構造、パラメータ、トレーニングデータにアクセスすることなく、ターゲットモデルの機能を代替モデルに複製する。 本稿では Query Efficient Data Generation (textbfQEDG) と呼ばれる新しいデータフリーモデルステーリング手法を提案する。 対象モデルの決定境界に密接に一様に整合する十分なサンプルの生成を保証するために、2つの異なる損失関数を導入する。
  論文  参考訳（メタデータ） (2024-12-18T03:03:15Z)
• Can foundation models actively gather information in interactive environments to test hypotheses? [43.42688356541211]
  基礎モデルはシングルターン推論において優れているが、動的環境におけるマルチターン探索に苦慮している。 これらのモデルを,経験から学び,適応し,情報を収集する能力に基づいて評価した。
  論文  参考訳（メタデータ） (2024-12-09T12:27:21Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
  Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。 MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。 また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
  論文  参考訳（メタデータ） (2024-06-11T17:55:25Z)
• Fusing Dictionary Learning and Support Vector Machines for Unsupervised Anomaly Detection [1.5999407512883508]
  本稿では,OC-SVMとDL残差関数を1つの合成対象に統一する新たな異常検出モデルを提案する。 両方の目的をカーネル関数の使用を可能にするより一般的な設定に拡張する。
  論文  参考訳（メタデータ） (2024-04-05T12:41:53Z)
• Decom--CAM: Tell Me What You See, In Details! Feature-Level Interpretation via Decomposition Class Activation Map [23.71680014689873]
  クラスアクティベーションマップ(CAM)は、オブジェクトの位置をハイライトすることで深層モデルの予測を解釈するために広く使われている。 本稿では,分解クラス活性化マップ(Decom-CAM)と呼ばれる2段階の解釈可能性を提案する。 実験の結果,提案したDecom-CAMは最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-27T14:33:01Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。