論文の概要: Learn to Rank: Visual Attribution by Learning Importance Ranking

• arxiv url: http://arxiv.org/abs/2604.05819v1
• Date: Tue, 07 Apr 2026 12:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.827985
• Title: Learn to Rank: Visual Attribution by Learning Importance Ranking
• Title（参考訳）: ランクの学習: 重要度ランキングの学習による視覚的属性
• Authors: David Schinagl, Christian Fruhwirth-Reisinger, Alexander Prutsch, Samuel Schulter, Horst Possegger,
• Abstract要約: コンピュータビジョンモデルのための視覚属性マップを生成する新しい手法を提案する。 提案手法は, 任意の数段階の勾配補正を施した1つの前方通過において, 密度の高い画素レベルの属性を生成する。 我々の実験は、一貫した定量的改善と、よりシャープで境界に沿った説明を示す。
• 参考スコア（独自算出の注目度）: 58.69028273772474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpreting the decisions of complex computer vision models is crucial to establish trust and accountability, especially in safety-critical domains. An established approach to interpretability is generating visual attribution maps that highlight regions of the input most relevant to the model's prediction. However, existing methods face a three-way trade-off. Propagation-based approaches are efficient, but they can be biased and architecture-specific. Meanwhile, perturbation-based methods are causally grounded, yet they are expensive and for vision transformers often yield coarse, patch-level explanations. Learning-based explainers are fast but usually optimize surrogate objectives or distill from heuristic teachers. We propose a learning scheme that instead optimizes deletion and insertion metrics directly. Since these metrics depend on non-differentiable sorting and ranking, we frame them as permutation learning and replace the hard sorting with a differentiable relaxation using Gumbel-Sinkhorn. This enables end-to-end training through attribution-guided perturbations of the target model. During inference, our method produces dense, pixel-level attributions in a single forward pass with optional, few-step gradient refinement. Our experiments demonstrate consistent quantitative improvements and sharper, boundary-aligned explanations, particularly for transformer-based vision models.
• Abstract（参考訳）: 複雑なコンピュータビジョンモデルの決定を解釈することは、特に安全クリティカルな領域において、信頼性と説明責任を確立するために不可欠である。 解釈可能性に対する確立されたアプローチは、モデルの予測に最も関係した入力の領域をハイライトする視覚属性マップを生成することである。 しかし、既存の手法は3方向のトレードオフに直面している。 伝搬に基づくアプローチは効率的だが、バイアスがあり、アーキテクチャに特有である。 一方、摂動に基づく手法は因果関係に基礎を置いているが、高価であり、視覚変換器は粗いパッチレベルの説明を与えることが多い。 学習ベースの説明書は高速であるが、通常、代理目的やヒューリスティックな教師からの蒸留を最適化する。 削除と挿入のメトリクスを直接最適化する学習手法を提案する。 これらの指標は、微分不可能なソートとランキングに依存しているため、置換学習とみなし、Gumbel-Sinkhorn を用いて、ハードソートを微分可能緩和に置き換える。 これにより、ターゲットモデルの帰属誘導摂動によるエンドツーエンドのトレーニングが可能になる。 提案手法は,1回の前方通過で高密度な画素レベルの属性を任意で数段階の勾配補正で生成する。 我々の実験は、特にトランスフォーマーに基づく視覚モデルにおいて、一貫した定量的改善と、よりシャープで境界に沿った説明を示す。

関連論文リスト

• Optimizing In-Context Demonstrations for LLM-based Automated Grading [31.353360036776976]
  GUIDE(Grading Using Iteratively Designed Exemplars)は、経験的選択と改善を境界中心の最適化問題として再設計するフレームワークである。 物理, 化学, 教育的内容知識の実験において, GUIDE は標準的検索基準を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-28T04:52:38Z)
• Unlearning-based Neural Interpretations [51.99182464831169]
  静的関数を用いて定義される現在のベースラインは、バイアスがあり、脆弱であり、操作可能であることを示す。 UNIは、学習不可能で、偏りがなく、適応的なベースラインを計算し、入力を最も急な上昇の未学習方向に向けて摂動させることを提案する。
  論文  参考訳（メタデータ） (2024-10-10T16:02:39Z)
• Preference Consistency Matters: Enhancing Preference Learning in Language Models with Automated Self-Curation of Training Corpora [4.008122785948581]
  本稿では,アノテーション付きデータセットを直接トレーニングしたプロキシモデルを活用することで,前処理を行うセルフキュレーション手法を提案する。 本手法は、一貫性のあるアノテーションを自動的に検出し、選択することで、好みの学習を強化する。
  論文  参考訳（メタデータ） (2024-08-23T02:27:14Z)
• Stochastic Vision Transformers with Wasserstein Distance-Aware Attention [8.407731308079025]
  自己教師付き学習は、限られたラベル付きデータから知識を得るための最も有望なアプローチの1つである。 我々は、不確実性と距離認識を自己教師付き学習パイプラインに統合する新しいビジョントランスフォーマーを導入する。 提案手法は,多種多様なデータセットを対象とした多種多様な実験において,自己教師付きベースラインを超える精度とキャリブレーションを実現する。
  論文  参考訳（メタデータ） (2023-11-30T15:53:37Z)
• Constructing Balance from Imbalance for Long-tailed Image Recognition [50.6210415377178]
  多数派(頭)クラスと少数派(尾)クラスの不均衡は、データ駆動のディープニューラルネットワークを著しく歪ませる。 従来の手法では、データ分散、特徴空間、モデル設計の観点からデータ不均衡に対処していた。 ラベル空間を段階的に調整し,ヘッドクラスとテールクラスを分割することで,簡潔なパラダイムを提案する。 提案モデルでは,特徴評価手法も提供し,長期的特徴学習の道を開く。
  論文  参考訳（メタデータ） (2022-08-04T10:22:24Z)
• Few-shot learning with improved local representations via bias rectify module [13.230636224045137]
  本稿では,特徴表現の構造に存在する空間情報を完全に活用するために,DBRN(Deep Bias Rectify Network)を提案する。 バイアス修正モジュールは、異なる重みを付与することによって、分類においてより差別的な特徴に焦点を合わせることができる。 トレーニングデータを完全に活用するために,我々は,サポートセットから生成されたプロトタイプをより代表的なものにするためのプロトタイプ拡張機構を設計する。
  論文  参考訳（メタデータ） (2021-11-01T08:08:00Z)
• Bayesian Attention Modules [65.52970388117923]
  実装や最適化が容易な,スケーラブルな注目バージョンを提案する。 本実験は,提案手法が対応するベースラインに対して一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-10-20T20:30:55Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。