論文の概要: WeNLEX: Weakly Supervised Natural Language Explanations for Multilabel Chest X-ray Classification

• arxiv url: http://arxiv.org/abs/2603.18752v1
• Date: Thu, 19 Mar 2026 10:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.099291
• Title: WeNLEX: Weakly Supervised Natural Language Explanations for Multilabel Chest X-ray Classification
• Title（参考訳）: WeNLEX: マルチラベル胸部X線分類のための自然言語記述
• Authors: Isabel Rio-Torto, Jaime S. Cardoso, Luís F. Teixeira,
• Abstract要約: マルチラベル胸部X線分類のための自然言語説明生成モデルWeNLEXを提案する。 WeNLEXは、複数のメトリクスに対する広範な検証を通じて、忠実で実証可能な説明を生み出すことができることを実証的に実証する。
• 参考スコア（独自算出の注目度）: 4.164071305580104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Natural language explanations provide an inherently human-understandable way to explain black-box models, closely reflecting how radiologists convey their diagnoses in textual reports. Most works explicitly supervise the explanation generation process using datasets annotated with explanations. Thus, though plausible, the generated explanations are not faithful to the model's reasoning. In this work, we propose WeNLEX, a weakly supervised model for the generation of natural language explanations for multilabel chest X-ray classification. Faithfulness is ensured by matching images generated from their corresponding natural language explanations with original images, in the black-box model's feature space. Plausibility is maintained via distribution alignment with a small database of clinician-annotated explanations. We empirically demonstrate, through extensive validation on multiple metrics to assess faithfulness, simulatability, diversity, and plausibility, that WeNLEX is able to produce faithful and plausible explanations, using as little as 5 ground-truth explanations per diagnosis. Furthermore, WeNLEX can operate in both post-hoc and in-model settings. In the latter, i.e., when the multilabel classifier is trained together with the rest of the network, WeNLEX improves the classification AUC of the standalone classifier by 2.21%, thus showing that adding interpretability to the training process can actually increase the downstream task performance. Additionally, simply by changing the database, WeNLEX explanations are adaptable to any target audience, and we showcase this flexibility by training a layman version of WeNLEX, where explanations are simplified for non-medical users.
• Abstract（参考訳）: 自然言語の説明は、ブラックボックスモデルを説明する本質的に人間に理解可能な方法であり、放射線学者がテキストで診断を伝達する方法を深く反映している。 ほとんどの研究は、説明付きデータセットを使用して説明生成プロセスを明示的に監督する。 したがって、生成した説明はモデルの推論に忠実ではない。 本研究では,マルチラベル胸部X線分類のための自然言語記述生成モデルWeNLEXを提案する。 ブラックボックスモデルの特徴空間において、対応する自然言語説明から生成された画像と原画像とを一致させることにより、忠実性を確保する。 可塑性は、臨床医が注釈を付けた説明の小さなデータベースと分配アライメントによって維持される。 WeNLEXは、複数のメトリクスに対する広範囲な検証を通じて、忠実さ、シミュラビリティ、多様性、そして妥当性を評価することで、診断あたりの5つの地味な説明を用いて、忠実で妥当な説明を生み出すことができることを実証的に実証した。 さらに、WeNLEXはポストホックとインモデルの両方で操作できる。 後者では、例えば、ネットワークの他の部分と共にマルチラベル分類器をトレーニングする場合、WeNLEXはスタンドアロン分類器の分類AUCを2.21%改善し、トレーニングプロセスに解釈性を追加することで、実際にダウンストリームタスク性能を向上させることができることを示す。 さらに、データベースを変更するだけで、WeNLEXの説明は任意の対象の聴衆に適応でき、WNLEXのライマンバージョンをトレーニングすることで、この柔軟性を示す。

関連論文リスト

• DEXTER: Diffusion-Guided EXplanations with TExtual Reasoning for Vision Models [49.25757423776323]
  DEXTERは、視覚分類器のグローバルでテキストによる説明を生成する、データフリーのフレームワークである。 我々はDEXTERが正確な解釈可能な出力を生成することを示す。 ImageNet、Waterbirds、CelebA、FairFacesの実験では、DEXTERがグローバルモデル説明やクラスレベルのバイアスレポートにおいて、既存のアプローチよりも優れていることを確認した。
  論文  参考訳（メタデータ） (2025-10-16T14:43:25Z)
• Pairwise Matching of Intermediate Representations for Fine-grained Explainability [7.415710605852485]
  そこで本研究では,細粒度で高度に局所化された視覚的説明を生成する新しい説明可能性法(PAIR-X)を提案する。 解釈性を改善することで、PAIR-Xは人間が正しいマッチと間違ったマッチを区別するのに役立つ。
  論文  参考訳（メタデータ） (2025-03-28T21:13:43Z)
• Graph-Guided Textual Explanation Generation Framework [57.2027753204786]
  自然言語の説明(NLE)は、モデルが予測する理由について、妥当な自由文の説明を提供するために一般的に用いられる。 NLEの忠実度を高めるために設計されたグラフガイド型テキスト記述生成フレームワークであるG-Texを提案する。
  論文  参考訳（メタデータ） (2024-12-16T19:35:55Z)
• Explanation sensitivity to the randomness of large language models: the case of journalistic text classification [6.240875403446504]
  本研究では,大規模言語モデルの学習におけるランダム要素の影響について,その予測可能性について検討する。 微調整のCamemBERTモデルと、関連性伝播に基づく説明手法を用いて、異なるランダムシードを用いたトレーニングは、類似の精度であるが可変的な説明を伴うモデルを生成する。
  論文  参考訳（メタデータ） (2024-10-07T14:39:45Z)
• Contrastive Learning with Counterfactual Explanations for Radiology Report Generation [83.30609465252441]
  放射線学レポート生成のためのtextbfCountertextbfFactual textbfExplanations-based framework (CoFE) を提案する。 反現実的な説明は、アルゴリズムによってなされた決定をどのように変えられるかを理解するための強力なツールとして、シナリオが何であるかを問うことによって役立ちます。 2つのベンチマークの実験では、反ファクト的な説明を活用することで、CoFEは意味的に一貫性があり、事実的に完全なレポートを生成することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:24:25Z)
• Explanation Selection Using Unlabeled Data for Chain-of-Thought Prompting [80.9896041501715]
  非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。 本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T18:02:34Z)
• LIREx: Augmenting Language Inference with Relevant Explanation [1.4780878458667916]
  自然言語説明(NLE)は、アノテータがラベルをデータインスタンスに割り当てる際の有理性を識別するデータアノテーションの一種である。 nlesは人間の推論をより良く捉えているが、自然言語推論にはあまり役に立たない。 我々は、論理型説明生成器とインスタンスセレクタの両方を組み込んで、関連するNLEのみを選択する新しいフレームワーク LIREx を提案する。
  論文  参考訳（メタデータ） (2020-12-16T18:49:29Z)
• Towards Interpretable Natural Language Understanding with Explanations as Latent Variables [146.83882632854485]
  そこで本研究では,人間に注釈付き説明文の小さなセットだけを必要とする自然言語理解の枠組みを構築した。 我々のフレームワークは、ニューラルネットワークの基本的な推論過程をモデル化する潜在変数として、自然言語の説明を扱う。
  論文  参考訳（メタデータ） (2020-10-24T02:05:56Z)
• Leakage-Adjusted Simulatability: Can Models Generate Non-Trivial Explanations of Their Behavior in Natural Language? [86.60613602337246]
  我々はNL説明を評価するためのリーク調整シミュラビリティ(LAS)指標を提案する。 LASは、どのように説明が直接アウトプットをリークするかを制御しながら、オブザーバがモデルのアウトプットを予測するのに役立つかを計測する。 マルチエージェントゲームとしての説明文生成を行い、ラベルリークをペナライズしながら、シミュラビリティの説明を最適化する。
  論文  参考訳（メタデータ） (2020-10-08T16:59:07Z)

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。