論文の概要: Toward Faithful Segmentation Attribution via Benchmarking and Dual-Evidence Fusion

• arxiv url: http://arxiv.org/abs/2603.22624v1
• Date: Mon, 23 Mar 2026 22:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.212819
• Title: Toward Faithful Segmentation Attribution via Benchmarking and Dual-Evidence Fusion
• Title（参考訳）: ベンチマークとデュアルエビデンス融合による忠実なセグメンテーション帰属に向けて
• Abstract要約: 本稿では、Pascal VOC上で、介入に基づく忠実度、ターゲット外リーク、実行時、再現可能なベンチマークを提案する。 本稿では、地域レベルの干渉信号と証拠を融合させる軽量な補正であるDual-Evidence Attribution(DEA)を提案する。
• 参考スコア（独自算出の注目度）: 4.726028690278432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attribution maps for semantic segmentation are almost always judged by visual plausibility. Yet looking convincing does not guarantee that the highlighted pixels actually drive the model's prediction, nor that attribution credit stays within the target region. These questions require a dedicated evaluation protocol. We introduce a reproducible benchmark that tests intervention-based faithfulness, off-target leakage, perturbation robustness, and runtime on Pascal VOC and SBD across three pretrained backbones. To further demonstrate the benchmark, we propose Dual-Evidence Attribution (DEA), a lightweight correction that fuses gradient evidence with region-level intervention signals through agreement-weighted fusion. DEA increases emphasis where both sources agree and retains causal support when gradient responses are unstable. Across all completed runs, DEA consistently improves deletion-based faithfulness over gradient-only baselines and preserves strong robustness, at the cost of additional compute from intervention passes. The benchmark exposes a faithfulness-stability tradeoff among attribution families that is entirely hidden under visual evaluation, providing a foundation for principled method selection in segmentation explainability. Code is available at https://github.com/anmspro/DEA.
• Abstract（参考訳）: 意味的セグメンテーションの属性マップは、ほとんど常に視覚的可視性によって判断される。 しかし、画像に強調されたピクセルが実際にモデルの予測を駆動し、帰属クレジットが対象領域内に留まることを保証していない。 これらの質問には専用の評価プロトコルが必要である。 本稿では,Pascal VOCとSBDの3つの事前学習バックボーン上で,介入に基づく忠実度,オフターゲットリーク,摂動ロバスト性,ランタイムをテストする再現可能なベンチマークを提案する。 このベンチマークをさらに実証するため,合意重畳融合により勾配証拠と地域レベルの干渉信号とを融合させる軽量な補正であるDual-Evidence Attribution (DEA)を提案する。 DEAは、勾配応答が不安定な場合、両方のソースが一致し、因果サポートを保持することを強調する。 完了したすべての実行全体にわたって、DEAは、勾配のみのベースラインよりも削除に基づく忠実さを一貫して改善し、介入パスからの計算の追加コストを犠牲にして、強い堅牢性を維持する。 このベンチマークは、視覚的評価の下で完全に隠された帰属家族間の信頼と安定のトレードオフを明らかにし、セグメンテーション説明可能性における原則的メソッド選択の基礎を提供する。 コードはhttps://github.com/anmspro/DEAで入手できる。

関連論文リスト

• UECP: Uncertainty-Enhanced Collaborative Perception [15.846318270344641]
  協調的知覚は、自律運転における個々のエージェントの知覚能力を高めるために重要な解決策となる。 既存の手法は通常、検出結果と相関する信頼マップに依存しており、従って不偏の物理的証拠を与えることができない。 本稿ではまず,知覚の質を評価するための不確実性マップを提案する。 我々は,不確かさを意識したピラミッド融合モジュールを中心に,不確実性強化協調知覚フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-06-22T08:55:10Z)
• What Accuracy and Gradient Cosine Miss: Evaluating Feedback Alignment via Scale Stability, Reference Validity, and Depth Utility [48.10132234701036]
  本稿では,3つのチェック(スケール安定性,参照妥当性,深度ユーティリティ)に基づく診断評価プロトコルを提案する。 複数のアーキテクチャや手法にまたがって、我々のプロトコルは広い校正マージンを持つ全ての障害を識別する。
  論文  参考訳（メタデータ） (2026-06-19T06:04:17Z)
• When Attribution Patching Lies: Diagnosis and a Second-Order Correction [9.338965648455238]
  本研究は, 下流ネットワークの非直線性に起因する誤差が, パッチ成分の局所曲率よりも大きいことを示す。 この洞察は、(i)信頼できない見積もりを検出するための信頼性スコア、(ii)エラー境界がポテンシャル属性の誤特定を定量化すること、(iii)Hessian-vector-product correctが1つの後進パスで先行エラーを除去すること、の3つの実用的なツールをもたらす。
  論文  参考訳（メタデータ） (2026-06-05T05:20:32Z)
• Are We Overconfident in Models and Results for Semi-Supervised 3D Medical Image Segmentation? [4.120238673372104]
  半教師付き学習は、アノテーションのコストを削減する主要なパラダイムとなっている。 現在の進歩は2倍の過信問題によって曇っていると我々は主張する。 本稿では,二軸信頼性評価エンジン上に構築した三空間原理分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:16:40Z)
• EviRCOD: Evidence-Guided Probabilistic Decoding for Referring Camouflaged Object Detection [9.823189831191064]
  参照カモフラージオブジェクト検出(Referring Camouflaged Object Detection, Ref-COD)は、カテゴリ整列参照を用いたクエリイメージ内の特定のカモフラージされたターゲットのセグメンテーションに焦点を当てる。 EviRCOD は,(1) 階層的な参照駆動型変調と多スケールの変形可能なアグリゲーションを利用して,セマンティックな先行表現を注入し,クロススケールな表現を整列する参照誘導型変形性(RGDE) ; (2) ディリクレ証拠推定を階層的なデコードに組み込んだ不確実性認識証拠デコーダ(UAED) と,(3) 境界認識再閉じ込めモジュールである。
  論文  参考訳（メタデータ） (2026-04-13T01:53:45Z)
• FACT-E: Causality-Inspired Evaluation for Trustworthy Chain-of-Thought Reasoning [49.65751420291115]
  CoT(Chain-of-Thought)プロンプトはLSM推論を改善したが、モデルはしばしば不誠実な中間ステップを含むコヒーレントな説明を生成する。 我々は、CoTの品質を評価するための因果性に着想を得たフレームワークであるFACT-Eを提案する。 FACT-Eは推論・軌道選択を改善し、文脈内学習を強くすることを示す。
  論文  参考訳（メタデータ） (2026-04-12T15:35:08Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression [3.6457570471698095]
  両強みを組み合わせたシンプルな「クレーダル・テンコンフォーマル化」レシピであるCREDOを紹介する。 CREDOはまず、地元の証拠が弱いときに拡大する解釈可能なクレダルエンベロープを構築し、次にこのエンベロープの上にスプリット・コンフォメーション・キャリブレーションを適用して、限界範囲のカバレッジを保証する。 この役割の分離は解釈可能な予測間隔をもたらす。
  論文  参考訳（メタデータ） (2026-03-06T19:37:21Z)
• Thinking by Subtraction: Confidence-Driven Contrastive Decoding for LLM Reasoning [58.331709210563616]
  サブトラクションによる思考は、信頼主導のコントラスト的デコーディングアプローチである。 低信頼トークンの小さなサブセットは、誤りの推論と不要な出力拡大に不当に寄与する。 信頼駆動型コントラストデコーディング(Confidence-Driven Contrastive Decoding)は,デコーディング中の低信頼トークンを検出し,それらの位置で介入する。
  論文  参考訳（メタデータ） (2026-02-20T14:13:22Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• Progressive Uncertainty-Guided Evidential U-KAN for Trustworthy Medical Image Segmentation [11.953394478206581]
  本研究では,硬質領域の特徴表現学習に焦点を合わせるために,プログレッシブ・エビデンス・ガイドド・アテンション(PEUA)機構を提案する。 従来のアプローチとは異なり、PEUAは注意重みを軽視するために低ランク学習を使用しながら、不確実性マップを使用して注意を徐々に洗練する。 そこで我々は,意味保存エビデンス学習(SAEL)戦略を導入し,セマンティック・スムース・エビデンス・ジェネレータとフィデリティ・エンハンス・正規化項を統合して,重要なセマンティクスを維持する。
  論文  参考訳（メタデータ） (2025-10-10T02:58:01Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• TRACEALIGN -- Tracing the Drift: Attributing Alignment Failures to Training-Time Belief Sources in LLMs [7.125400292079228]
  大きな言語モデル(LLM)は、人間の値に合わせるように微調整され、しばしばアライメントドリフトを示す。 以前の作業ではアライメント障害が特徴的だったが、これらの障害の根底にあるトレーニングタイムの信念源についてはほとんど知られていない。 TraceAlignは、モデルのトレーニングコーパスの根本原因に安全でない完了をトレースするための統一されたフレームワークである。
  論文  参考訳（メタデータ） (2025-08-04T05:03:35Z)
• Ev2R: Evaluating Evidence Retrieval in Automated Fact-Checking [11.300523252168327]
  Evtextsuperscript2Rは、基準ベースの評価と検証レベルのプロキシスコアの長所を組み合わせる。 Evtextsuperscript2Rは、精度と堅牢性において既存のスコアリング手法より一貫して優れている。
  論文  参考訳（メタデータ） (2024-11-08T07:05:06Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)

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。