論文の概要: TTE-CAM: Built-in Class Activation Maps for Test-Time Explainability in Pretrained Black-Box CNNs

• arxiv url: http://arxiv.org/abs/2603.26885v1
• Date: Fri, 27 Mar 2026 18:02:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.678937
• Title: TTE-CAM: Built-in Class Activation Maps for Test-Time Explainability in Pretrained Black-Box CNNs
• Title（参考訳）: TTE-CAM:事前学習したブラックボックスCNNにおけるテスト時間説明性のためのクラス活性化マップ
• Authors: Kerol Djoumessi, Philipp Berens,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、医用画像解析において最先端のパフォーマンスを達成するが、まだ不透明であり、ハイテイクな臨床環境での採用を制限している。 本稿では,このギャップを埋めるテストタイムフレームワークであるTTE-CAMを紹介する。 結果として得られたモデルはブラックボックス予測性能を保ちながら、定性的かつ定量的にポストホック法と競合する忠実な説明を組み込みで提供する。
• 参考スコア（独自算出の注目度）: 5.70867735038766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks (CNNs) achieve state-of-the-art performance in medical image analysis yet remain opaque, limiting adoption in high-stakes clinical settings. Existing approaches face a fundamental trade-off: post-hoc methods provide unfaithful approximate explanations, while inherently interpretable architectures are faithful but often sacrifice predictive performance. We introduce TTE-CAM, a test-time framework that bridges this gap by converting pretrained black-box CNNs into self-explainable models via a convolution-based replacement of their classification head, initialized from the original weights. The resulting model preserves black-box predictive performance while delivering built-in faithful explanations competitive with post-hoc methods, both qualitatively and quantitatively. The code is available at https://github.com/kdjoumessi/Test-Time-Explainability
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、医用画像解析において最先端のパフォーマンスを達成するが、まだ不透明であり、ハイテイクな臨床環境での採用を制限している。 ポストホックな手法は、本質的に解釈可能なアーキテクチャは忠実だが、予測的なパフォーマンスを犠牲にすることが多い。 本稿では,このギャップを埋めるテストタイムフレームワークであるTTE-CAMを紹介する。 結果として得られたモデルはブラックボックス予測性能を保ちながら、定性的かつ定量的にポストホック法と競合する忠実な説明を組み込みで提供する。 コードはhttps://github.com/kdjoumessi/Test-Time-Explainabilityで入手できる。

関連論文リスト

• UNBOX: Unveiling Black-box visual models with Natural-language [50.433977345786055]
  完全データフリー、勾配フリー、バックプロパゲーションフリー制約下でのクラスワイドモデル解離のためのフレームワークUNBOXを紹介する。 我々は,画像Net-1K,Waterbirds,CelebAのUNBOXを,意味的忠実度テスト,視覚的特徴相関分析,スライス発見監査を通じて評価した。
  論文  参考訳（メタデータ） (2026-03-09T17:16:39Z)
• Soft-CAM: Making black box models self-explainable for high-stakes decisions [6.635611625764804]
  畳み込みニューラルネットワーク(CNN)は医学のような高度な応用に広く使われており、しばしば人間のパフォーマンスを上回っている。 ほとんどの説明法は、既に訓練されたブラックボックスモデルの意思決定プロセスを近似して、ポストホックの帰属に依存している。 我々は、標準CNNアーキテクチャを本質的に解釈可能なものにする、単純で効果的なアプローチであるSoftCAMを紹介する。
  論文  参考訳（メタデータ） (2025-05-23T11:15:21Z)
• A Hybrid Fully Convolutional CNN-Transformer Model for Inherently Interpretable Disease Detection from Retinal Fundus Images [5.079347310071244]
  本稿では,網膜疾患検出のための解釈可能なハイブリッドCNN-Transformerアーキテクチャを提案する。 我々のモデルはブラックボックスや解釈可能なモデルと比較して最先端の予測性能を実現する。
  論文  参考訳（メタデータ） (2025-04-11T12:15:22Z)
• Video Prediction Transformers without Recurrence or Convolution [65.93130697098658]
  我々は、Gated Transformerを完全にベースとしたフレームワークであるPredFormerを提案する。 本稿では,映像予測の文脈における3次元注意の包括的分析を行う。 精度と効率の両面で大きな改善は、PredFormerの可能性を強調している。
  論文  参考訳（メタデータ） (2024-10-07T03:52:06Z)
• An Explainable Model-Agnostic Algorithm for CNN-based Biometrics Verification [55.28171619580959]
  本稿では,生体認証環境下でのLIME(Local Interpretable Model-Agnostic Explanations)AI手法の適用について述べる。
  論文  参考訳（メタデータ） (2023-07-25T11:51:14Z)
• Model Doctor: A Simple Gradient Aggregation Strategy for Diagnosing and Treating CNN Classifiers [33.82339346293966]
  畳み込みニューラルネットワーク(CNN)は,分類タスクにおいて優れた性能を発揮する。 CNNは、予測メカニズムを理解するのが難しい「ブラックボックス」と見なされていることが広く知られている。 本稿では,モデルドクターと呼ばれる,最初の完全自動診断・治療ツールを提案する。
  論文  参考訳（メタデータ） (2021-12-09T14:05:00Z)
• Black-Box Diagnosis and Calibration on GAN Intra-Mode Collapse: A Pilot Study [116.05514467222544]
  現在、GAN(Generative Adversarial Network)は驚くべきリアリズムの画像を生成することができる。 懸念の1つは、最先端のGANの学習分布が依然としてモード崩壊に悩まされているかどうかである。 本稿では,GANのモード内崩壊を診断し,新たなブラックボックス設定でそれを校正する方法について検討する。
  論文  参考訳（メタデータ） (2021-07-23T06:03:55Z)
• Regularizing Explanations in Bayesian Convolutional Neural Networks [0.4538232180176148]
  ベイズ推論に適合する新しい説明正規化法を提案する。 提案手法は,モデルが刺激的特徴に過度に適合する場合や,どの特徴に着目すべきか不確実な場合,予測性能を向上させる。
  論文  参考訳（メタデータ） (2021-04-29T13:59:21Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• Neural Networks with Recurrent Generative Feedback [61.90658210112138]
  畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する 実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2020-07-17T19:32:48Z)

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。