Fugu-MT 論文翻訳(概要): ProDG: Prototypes for Data-Free Generative Post-Hoc Explainability

論文の概要: ProDG: Prototypes for Data-Free Generative Post-Hoc Explainability

arxiv url: http://arxiv.org/abs/2605.08858v1
Date: Sat, 09 May 2026 10:14:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:49.936302
Title: ProDG: Prototypes for Data-Free Generative Post-Hoc Explainability
Title（参考訳）: ProDG: Data-free Generative Post-Hoc Explainabilityのプロトタイプ
Abstract要約: ProDG: Data-Free Post-Hoc Explainabilityのための生成プロトタイプを紹介する。生成モデルを利用して、凍結モデルの重みから直接純粋で高忠実なプロトタイプを合成する新しいフレームワークである。この新たなフロンティアをData-Free XAIで確立することで、プライバシに敏感なドメインに対する堅牢な視覚的解釈性を解放する。
参考スコア（独自算出の注目度）: 9.86068604616604
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Ante-hoc interpretability methods based on prototypes provide highly accurate explanations by utilizing the intuitive "this looks like that" reasoning paradigm. On the other hand, post-hoc models can explain predictions for a single image without relying on an underlying dataset or requiring costly neural network retraining. Recent approaches successfully solve the retraining problem for prototype-based networks. However, they still face a fundamental limitation: they require access to a subset of data (e.g., a test or validation set) to search for and extract the visual prototypes. In this paper, we address this issue and introduce ProDG: Generative Prototypes for Data-Free Post-Hoc Explainability, a novel framework that leverages generative models to synthesize pure, high-fidelity prototypes directly from the frozen model's weights, completely eliminating the dependency on any external data. By establishing this new frontier in Data-Free XAI, ProDG unlocks robust visual interpretability for privacy-sensitive domains, where original data is strictly restricted or fundamentally inaccessible. Project page: https://github.com/piotr310100/ProDG
Abstract（参考訳）: プロトタイプに基づくアンテホック解釈可能性法は、直感的な「これのように見える」推論パラダイムを利用することで、高精度な説明を提供する。一方、ポストホックモデルは、基盤となるデータセットに依存したり、高価なニューラルネットワークの再トレーニングを必要とすることなく、単一のイメージの予測を説明することができる。近年,プロトタイプネットワークにおけるリトレーニング問題の解決に成功している。ビジュアルプロトタイプを検索して抽出するためには、データのサブセット(例えば、テストや検証セット)にアクセスする必要がある。本稿では,この課題に対処し,ProDGを紹介する。 Data-Free Post-Hoc Explainabilityのための生成プロトタイプ。これは生成モデルを利用して,凍結モデルの重みから直接純粋で高忠実なプロトタイプを合成し,外部データへの依存を完全に排除する,新しいフレームワークである。 Data-Free XAIの新しいフロンティアを確立することで、ProDGはプライバシに敏感なドメインに対する堅牢な視覚的解釈性を解放する。プロジェクトページ:https://github.com/piotr310100/ProDG

関連論文リスト

Reliable Neural Collapse Approximation for Open-World Test-Time Adaptation [95.55552104238787]
Test-Time Adaptation (TTA)メソッドは、ソースとターゲットドメイン間のドメインギャップを埋めることを目的としている。従来のTTA法はラベルの分布シフトが発生すると効果が低下する。オープンワールドテスト時間適応のためのReliable Neural Collapse approximation (ReNC) という新しい手法を提案する。
論文参考訳（メタデータ） (2026-08-20T10:57:44Z)
Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
論文参考訳（メタデータ） (2026-06-15T16:54:02Z)
ProtoTTA: Prototype-Guided Test-Time Adaptation [8.178991486617972]
本稿では,モデル出力のみに依存するのではなく,中間プロトタイプ信号を利用するプロトタイプモデルのためのフレームワークであるProtoTTAを紹介する。 ProtoTTAは、プロトタイプの類似性分布のエントロピーを最小化し、シフトしたデータに対する信頼性とプロトタイプ固有のアクティベーションを促進する。また、新しい解釈可能性指標と視覚言語最小化モデル(VLM)評価フレームワークを導入し、TTA力学を説明する。
論文参考訳（メタデータ） (2026-04-16T19:52:57Z)
From Data to Behavior: Predicting Unintended Model Behaviors Before Training [78.37660873165284]
トレーニング前に意図しないモデルの振る舞いを予測する新しいタスクであるData2Behaviorを紹介する。また,その平均表現を通して候補データを要約する軽量な手法として,MDF(Manipulating Data Features)を提案する。 Qwen3-14B、Qwen2.5-32B-Instruct、Gemma-3-12b-itの実験では、MDFは意図しない振る舞いを予測でき、事前訓練済みの脆弱性に関する洞察を与える。
論文参考訳（メタデータ） (2026-02-04T16:37:17Z)
Proto-Former: Unified Facial Landmark Detection by Prototype Transformer [77.47431726595111]
Proto-Formerは、統一的で適応的でエンドツーエンドの顔ランドマーク検出フレームワークである。統一されたアーキテクチャ内で、複数のデータセットをまたいだ共同トレーニングを可能にする。 Proto-Formerは、既存の最先端手法よりも優れたパフォーマンスを実現している。
論文参考訳（メタデータ） (2025-10-17T06:00:25Z)
Efficient Prototype Consistency Learning in Medical Image Segmentation via Joint Uncertainty and Data Augmentation [32.47805202531351]
半教師付き医療画像セグメンテーションにプロトタイプ学習が出現している。共同不確実性定量化とデータ拡張による効率的なプロトタイプの整合性学習を提案する。我々のフレームワークは従来の最先端のアプローチよりも優れている。
論文参考訳（メタデータ） (2025-05-22T06:25:32Z)
Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
論文参考訳（メタデータ） (2024-10-16T03:33:40Z)
Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文参考訳（メタデータ） (2024-08-23T01:53:36Z)
IoTGeM: Generalizable Models for Behaviour-Based IoT Attack Detection [3.3772986620114387]
IoTGeMはIoTネットワークアタックをモデル化するためのアプローチで、汎用性を重視しながら、検出とパフォーマンスの向上にも寄与する。厳格に独立したトレインとテストデータセットを使用して、モデルを構築、テストします。 IoTGeMは、ACK、HTTP、Syn、MHD、PS攻撃で99%のF1スコア、UDP攻撃で94%のF1スコアを達成した。
論文参考訳（メタデータ） (2023-10-17T21:46:43Z)
ProtoVAE: Prototypical Networks for Unsupervised Disentanglement [1.6114012813668934]
本稿では,自己スーパービジョンを用いて学習した深層学習型プロトタイプネットワークを活用する,新しい深部生成型VAEモデルProtoVAEを提案する。我々のモデルは、完全に教師なしであり、要素数を含むデータセットの事前知識を必要としない。提案手法をベンチマークdSprites, 3DShapes, MPI3Dディジアングルメントデータセット上で評価した。
論文参考訳（メタデータ） (2023-05-16T01:29:26Z)
Just Fine-tune Twice: Selective Differential Privacy for Large Language Models [69.66654761324702]
本稿では,大規模なトランスフォーマーベース言語モデルのためのSDPを実現するための,シンプルで効果的なジャストファイントゥンツースプライバシ機構を提案する。実験により, カナリア挿入攻撃に対して頑健でありながら, 高い性能が得られた。
論文参考訳（メタデータ） (2022-04-15T22:36:55Z)
ProtoryNet - Interpretable Text Classification Via Prototype Trajectories [4.768286204382179]
本稿では,ProtoryNetと呼ばれるテキスト分類のための新しい解釈可能なディープニューラルネットワークを提案する。 ProtoryNetはテキストシーケンスで各文の最も類似したプロトタイプを見つけることによって予測を行う。プロトタイプのプルーニングの後、結果のProtoryNetモデルは、すべてのデータセットに対して、20のプロトタイプしか必要としない。
論文参考訳（メタデータ） (2020-07-03T16:00:26Z)

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。