論文の概要: Attribution Upsampling should Redistribute, Not Interpolate

• arxiv url: http://arxiv.org/abs/2603.16067v1
• Date: Tue, 17 Mar 2026 02:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.073621
• Title: Attribution Upsampling should Redistribute, Not Interpolate
• Title（参考訳）: 属性アップサンプリングは補間ではなく再分割されるべきである
• Authors: Vincenzo Buono, Peyman Sheikholharam Mashhadi, Mahmoud Rahat, Prayag Tiwari, Stefan Byttner,
• Abstract要約: サンプリング技術は自然画像のために設計され、サリエンシマップには含まれなかった。 本稿では, 質量再分配演算子によるアップサンプリングを統一する原理的手法であるUniversal Semantic-Aware Upsampling(USU)を提案する。
• 参考スコア（独自算出の注目度）: 16.318456525533485
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Attribution methods in explainable AI rely on upsampling techniques that were designed for natural images, not saliency maps. Standard bilinear and bicubic interpolation systematically corrupts attribution signals through aliasing, ringing, and boundary bleeding, producing spurious high-importance regions that misrepresent model reasoning. We identify that the core issue is treating attribution upsampling as an interpolation problem that operates in isolation from the model's reasoning, rather than a mass redistribution problem where model-derived semantic boundaries must govern how importance flows. We present Universal Semantic-Aware Upsampling (USU), a principled method that reformulates upsampling through ratio-form mass redistribution operators, provably preserving attribution mass and relative importance ordering. Extending the axiomatic tradition of feature attribution to upsampling, we formalize four desiderata for faithful upsampling and prove that interpolation structurally violates three of them. These same three force any redistribution operator into a ratio form; the fourth selects the unique potential within this family, yielding USU. Controlled experiments on models with known attribution priors verify USU's formal guarantees; evaluation across ImageNet, CIFAR-10, and CUB-200 confirms consistent faithfulness improvements and qualitatively superior, semantically coherent explanations.
• Abstract（参考訳）: 説明可能なAIの属性メソッドは、サリエンシマップではなく、自然画像用に設計されたアップサンプリング技術に依存している。 標準的なバイリニア補間とバイキュビック補間は、エイリアス、リング、境界出血を通じて帰属シグナルを系統的に破壊し、モデル推論を誤って表現する急激な高重要性領域を生み出す。 モデル固有のセマンティックバウンダリが重要度を規定しなければならないマス再分配問題ではなく,モデルの推論から分離して動作する補間問題として属性アップサンプリングを扱う。 本稿では,比例型質量再分配演算子によるアップサンプリングを復調する原理的手法であるUniversal Semantic-Aware Upsampling(USU)を提案する。 特徴属性の公理的伝統をアップサンプリングに拡張し、忠実なアップサンプリングのために4つのデシラタを形式化し、補間が3つの構造的違反を証明した。 これら3つは任意の再分配作用素を比形式に強制し、第4は、この族内のユニークなポテンシャルを選択し、USUとなる。 ImageNet、CIFAR-10、CUB-200による評価は、一貫性のある忠実性の改善と質的に優れたセマンティック・コヒーレントな説明を確認している。

関連論文リスト

• Distribution Matching Variational AutoEncoder [24.58582338610613]
  VAEのような既存のアプローチは、その分布を明示的に形作ることなく、潜在空間を暗黙的に制限する。 textbfDMVAE(textbfDMVAE)を導入し、エンコーダの潜在分布と任意の参照分布を明示的に整列する。 提案手法は, モデルからモデルへの遅延と高忠実度画像合成のギャップを埋める上で, 適切な潜伏分布構造(分布レベルアライメント)を選択することが重要であることを示唆する。
  論文  参考訳（メタデータ） (2025-12-08T17:59:47Z)
• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement [51.54933696252104]
  離散拡散に適した新しいテスト時間スケーリング手法であるイテレーティブ・リワードガイドリファインメント(IterRef)を導入する。 我々は、このプロセスをMultiple-Try Metropolisフレームワークで形式化し、報酬整合分布への収束を証明した。 IterRefは計算予算の低さで大幅に上昇し、最先端のベースラインをはるかに超えている。
  論文  参考訳（メタデータ） (2025-11-04T02:33:23Z)
• CM$^3$: Calibrating Multimodal Recommendation [10.09576389984858]
  本研究では,マルチモーダルレコメンダシステムのコンテキストにおけるアライメントと均一性について再検討する。 同様のマルチモーダル属性を持つ項目が超球面多様体内の近位表現に収束するよりニュアンスなアプローチを提案する。 また、任意の数のモジュラリティを統合するために設計された球面ブエジエ法を導入し、その結果の融合した特徴が同じ超球面多様体に制約されることを保証する。
  論文  参考訳（メタデータ） (2025-08-02T06:44:59Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Global Intervention and Distillation for Federated Out-of-Distribution Generalization [7.905159090314987]
  連合学習における属性スキューは、地元のモデルを非因果関係の学習に集中させる。 本稿では,背景とラベルの急激な関係を断ち切るために,バックドア調整に多様な属性特徴を利用するFedGIDを提案する。 3つのデータセットの実験結果から、FedGIDは、見えないデータで主対象に集中するモデルの能力を向上することを示した。
  論文  参考訳（メタデータ） (2025-04-01T14:36:24Z)
• Disentangled Interleaving Variational Encoding [1.132458063021286]
  本稿では,変分オートエンコーダの潜時空間において,元の入力を限界値と条件値の確率分布に分解する原理的手法を提案する。 提案モデルであるDeep Disentangled Interleaving Variationalを提案する。 コーダ(DeepDIVE)は、元の入力から切り離された特徴を学習し、埋め込み空間にクラスタを形成する。 2つの公開データセットの実験は、DeepDIVEが元の入力をアンタングルし、元のVAEよりも予測精度が良いことを示している。
  論文  参考訳（メタデータ） (2025-01-15T10:50:54Z)
• Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
  CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。 提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。 実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。