論文の概要: Contrastive Semantic Projection: Faithful Neuron Labeling with Contrastive Examples

• arxiv url: http://arxiv.org/abs/2604.22477v1
• Date: Fri, 24 Apr 2026 11:55:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.443013
• Title: Contrastive Semantic Projection: Faithful Neuron Labeling with Contrastive Examples
• Title（参考訳）: コントラスト的意味射影:Fithful Neuron Labeling with Contrastive Examples
• Authors: Oussama Bouanani, Jim Berend, Wojciech Samek, Sebastian Lapuschkin, Maximilian Dreyer,
• Abstract要約: ニューロンレベルのラベリングを2段階に分けて比較検討した。 まず、視覚言語モデルにコントラスト画像セットを提供することで、より具体的で忠実な候補ラベルが得られることを示す。 第2にContrastive Semantic Projection(CSP)を導入する。これはSemanticsの拡張であり、CLIPベースのスコアリングとセレクションパイプラインに直接コントラスト的な例を組み込む。
• 参考スコア（独自算出の注目度）: 23.722833922744087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neuron labeling assigns textual descriptions to internal units of deep networks. Existing approaches typically rely on highly activating examples, often yielding broad or misleading labels by focusing on dominant but incidental visual factors. Prior work such as FALCON introduced contrastive examples -- inputs that are semantically similar to activating examples but elicit low activations -- to sharpen explanations, but it primarily addresses subspace-level interpretability rather than scalable neuron-level labeling. We revisit contrastive explanations for neuron-level labeling in two stages: (1) candidate label generation with vision language models (VLMs) and (2) label assignment with CLIP-like encoders. First, we show that providing contrastive image sets to VLMs yields candidate labels that are more specific and more faithful. Second, we introduce Contrastive Semantic Projection (CSP), an extension of SemanticLens that incorporates contrastive examples directly into its CLIP-based scoring and selection pipeline. Across extensive experiments and a case study on melanoma detection, contrastive labeling improves both faithfulness and semantic granularity over state-of-the-art baselines. Our results demonstrate that contrastive examples are a simple yet powerful and currently underutilized component of neuron labeling and analysis pipelines.
• Abstract（参考訳）: ニューロンラベリングは、深層ネットワークの内部単位にテキスト記述を割り当てる。 既存のアプローチは一般的に非常に活発な例に頼り、多くの場合、支配的だが偶発的な視覚的要因に焦点をあてることで、広範または誤解を招くラベルを生み出す。 FALCONのような以前の研究は、説明を鋭くするために、対照的な例(アクティベーション・サンプルとセマンティックに類似しているが、アクティベーションが低い)を導入したが、主にスケーラブルなニューロンレベルのラベリングではなく、サブスペースレベルの解釈可能性に対処した。 1)視覚言語モデル(VLM)を用いた候補ラベル生成と,(2)CLIPライクなエンコーダを用いたラベル割り当ての2つの段階において,ニューロンレベルのラベリングに関する対照的な説明を再検討する。 まず、VLMにコントラスト画像セットを提供することにより、より具体的で忠実な候補ラベルが得られることを示す。 次に,SemanticLensの拡張であるContrastive Semantic Projection (CSP)を紹介した。 メラノーマ検出に関する広範な実験とケーススタディを通じて、対照的なラベル付けは、最先端のベースラインに対する忠実さと意味的な粒度の両方を改善する。 この結果から, 対照的な例は, ニューロンラベリングと解析パイプラインの単純かつ強力で, 現在未使用の要素であることが示唆された。

関連論文リスト

• Love Me, Love My Label: Rethinking the Role of Labels in Prompt Retrieval for Visual In-Context Learning [79.61386774847357]
  ビジュアル・イン・コンテキスト・ラーニング(VICL)は、視覚基礎モデルを実証的なプロンプトで操作することで複数のタスクを処理できるようにする。 このようなプロンプトの選択はVICLのパフォーマンスに大きく影響し、重要な課題として際立っている。 我々は,ラベル選択におけるラベルの役割を強調するLaPR(Label-aware Prompt Retrieval)というフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-04-04T09:18:31Z)
• Weakly-Supervised Contrastive Learning for Imprecise Class Labels [50.57424331797865]
  正対と負対を定義するために「連続的意味的類似性」の概念を導入する。 弱教師付きコントラスト学習のためのグラフ理論フレームワークを提案する。 我々のフレームワークは非常に多用途であり、多くの弱い教師付き学習シナリオに適用できる。
  論文  参考訳（メタデータ） (2025-05-28T06:50:40Z)
• Label Filling via Mixed Supervision for Medical Image Segmentation from Noisy Annotations [22.910649758574852]
  本稿では,LF-Net と呼ばれるシンプルで効果的なラベルフィリングフレームワークを提案する。 トレーニング中にノイズの多いアノテーションのみを付与した、基礎的なセグメンテーションラベルを予測する。 5つのデータセットの結果から、LF-Netは最先端の手法と比較して、すべてのデータセットのセグメンテーション精度を向上することが示された。
  論文  参考訳（メタデータ） (2024-10-21T14:36:36Z)
• A Unified Label-Aware Contrastive Learning Framework for Few-Shot Named Entity Recognition [6.468625143772815]
  ラベル認識型トークンレベルのコントラスト学習フレームワークを提案する。 提案手法は,ラベルのセマンティクスを接尾辞のプロンプトとして活用することでコンテキストを豊かにする。 コンテキストネイティブとコンテキストラベルの対比学習目標を同時に最適化する。
  論文  参考訳（メタデータ） (2024-04-26T06:19:21Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• GCL: Gradient-Guided Contrastive Learning for Medical Image Segmentation with Multi-Perspective Meta Labels [22.515761041939914]
  医療画像のシナリオでは、準備済みのメタラベルは本質的に画像間の意味的関係を明らかにする。 本論文では,事前学習したモデルにより,より高レベルな意味認識能力が得られるように,多視点メタラベルを統一する勾配誘導手法を提案する。 4つの医用画像セグメンテーションデータセットの実験により,新たな手法であるGCLが得られたことが確認された。(1)情報表現を学習し,限られたラベルでセグメンテーション性能を大幅に向上させ,(2)分布外データセットに対する有望な一般化性を示す。
  論文  参考訳（メタデータ） (2023-09-16T05:56:38Z)
• Label-enhanced Prototypical Network with Contrastive Learning for Multi-label Few-shot Aspect Category Detection [17.228616743739412]
  マルチラベルアスペクトカテゴリ検出は、与えられたレビュー文に複数のアスペクトカテゴリを含むことを可能にする。 複数ラベルの複数ショットのアスペクトカテゴリー検出のための新しいラベル強化ネットワーク(LPN)を提案する。
  論文  参考訳（メタデータ） (2022-06-14T02:37:44Z)
• Debiased Contrastive Learning [64.98602526764599]
  我々は,同ラベルデータポイントのサンプリングを補正する,偏りのあるコントラスト目的の開発を行う。 実証的に、提案する目的は、視覚、言語、強化学習ベンチマークにおける表現学習の最先端を一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-01T04:25:24Z)
• MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
  本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。 利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。 本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
  論文  参考訳（メタデータ） (2020-06-11T17:14:55Z)

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。