論文の概要: Alike Parts: A Feature-Informed Approach to Local and Global Prototype Explanations

• arxiv url: http://arxiv.org/abs/2605.21646v1
• Date: Wed, 20 May 2026 18:58:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.964234
• Title: Alike Parts: A Feature-Informed Approach to Local and Global Prototype Explanations
• Title（参考訳）: Alike Parts: 局所的およびグローバルなプロトタイプ記述に対する特徴インフォームドアプローチ
• Authors: Jacek Karolczak, Jerzy Stefanowski,
• Abstract要約: このギャップに対処するために、機能の重要性を2つのレベルで統合するフレームワークを導入します。 まず,特徴重要度スコアを用いて,最も関連性の高い特徴部分集合をハイライトする手法を提案する。 第2に,グローバルなプロトタイプ選択目的関数を機能重要用語で拡張し,選択したプロトタイプの特徴属性の多様性を積極的に促進する。
• 参考スコア（独自算出の注目度）: 2.7859337708965395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prototype-based explanations offer an intuitive, example-based approach to support the interpretability of machine learning black box classifiers but often lack feature-level granularity. We introduce a framework that integrates feature importance at two levels to address this gap. First, for local explanations, we propose \textit{alike parts}: a method that uses feature importance scores to highlight the most relevant, shared feature subsets between a classified instance and its nearest prototype, guiding user attention. Second, we augment the global prototype selection objective function with a feature importance term to actively promote diversity in the feature attributions of the selected prototypes. Experiments on six benchmark datasets show that this augmented selection process maintains or, in some cases, increases the prediction fidelity of the surrogate model, suggesting that feature diversity does not compromise model fidelity.
• Abstract（参考訳）: プロトタイプベースの説明は、機械学習のブラックボックス分類器の解釈可能性をサポートするための直感的な例ベースのアプローチを提供するが、しばしば機能レベルの粒度の欠如がある。 このギャップに対処するために、機能の重要性を2つのレベルで統合するフレームワークを導入します。 まず、ローカルな説明のために、機能重要度スコアを用いて、分類されたインスタンスと最も近いプロトタイプ間の最も関連性の高い共有機能サブセットをハイライトし、ユーザの注意を導く方法である「textit{alike part}」を提案する。 第2に,グローバルなプロトタイプ選択目的関数を機能重要用語で拡張し,選択したプロトタイプの特徴属性の多様性を積極的に促進する。 6つのベンチマークデータセットの実験では、この拡張選択プロセスが維持されるか、あるいは代理モデルの予測忠実度を高めることを示し、特徴の多様性がモデルの忠実度を損なわないことを示唆している。

関連論文リスト

• Divide, Conquer and Unite: Hierarchical Style-Recalibrated Prototype Alignment for Federated Medical Image Segmentation [66.82598255715696]
  フェデレートラーニング(Federated Learning)は、複数の医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 現在のアプローチは主に、重要なマルチレベルキューを見下ろす最終層機能に重点を置いている。 我々は,ドメイン不変のコンテキスト型プロトタイプアライメントを介して特徴表現ギャップをブリッジするFedBCSを提案する。
  論文  参考訳（メタデータ） (2025-11-14T04:15:34Z)
• This part looks alike this: identifying important parts of explained instances and prototypes [2.693342141713236]
  そこで本研究では,プロトタイプ内で最も情報に富む特徴を識別する手法を提案する。 説明手法から得られた特徴重要度スコアを用いて、インスタンスと最も近いプロトタイプとの間に最も関連性の高い重なり合う特徴を強調する。
  論文  参考訳（メタデータ） (2025-05-08T18:54:27Z)
• Hunting Attributes: Context Prototype-Aware Learning for Weakly Supervised Semantic Segmentation [22.591512454923883]
  我々は、インスタンスとコンテキスト間の知識バイアスが、インスタンスのセマンティクスを十分に理解するプロトタイプの能力に影響を与えると主張している。 プロトタイプ学習理論に触発された本研究では,インスタンスの多種多様かつきめ細かな特徴を捉えるために,プロトタイプ認識を活用することを提案する。 本稿では,コンテキスト型認識学習(CPAL:Context Prototype-Aware Learning)戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-12T13:11:58Z)
• Part-guided Relational Transformers for Fine-grained Visual Recognition [59.20531172172135]
  識別的特徴を学習し,特徴変換モジュールとの相関関係を探索するフレームワークを提案する。 提案手法は,3-of-the-levelオブジェクト認識において,部分ブランチの追加に頼らず,最先端の性能に達する。
  論文  参考訳（メタデータ） (2022-12-28T03:45:56Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
  少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。 最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。 本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T06:14:51Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
  本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。 提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-07-13T11:03:09Z)

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。