論文の概要: Attribution via Distributional Paths for Information Revelation

• arxiv url: http://arxiv.org/abs/2606.03885v1
• Date: Tue, 02 Jun 2026 16:50:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.179585
• Title: Attribution via Distributional Paths for Information Revelation
• Title（参考訳）: 情報公開のための分布経路経由の属性
• Authors: Kieran A. Murphy, Shameen Shrestha,
• Abstract要約: Reveal-IGは、入力空間から構造化されたプローブ分布の空間への経路属性をリフトする。 安定して署名された属性を生成します - 残りの部分で競争力を維持しながら、アトリビューションサインを使用するメトリクスにつながります。
• 参考スコア（独自算出の注目度）: 2.707154152696381
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature attribution methods explain predictions by assigning importance scores to input features. Path-based methods such as Integrated Gradients are especially appealing because they satisfy \textit{completeness}: attributions sum to the change in model output between a reference state and the input. Yet most path methods define this trajectory in input space, explaining a model through pointwise perturbed inputs along a chosen path. An input-space path integrates the model's raw response at each point it passes through, with no control over the resolution at which a feature is queried; the early, baseline-adjacent part of the trajectory contributes to the explanation on equal footing with the input itself. Here, we lift path attribution from input space to a space of structured probe distributions around the example of interest, and call our method Reveal-IG. Rather than traversing raw input values, Reveal-IG progressively reveals information about the input and attributes changes in the model's expected output along this distributional path. The result is a path-attribution framework that retains completeness with respect to the expected model response, and naturally accommodates multiscale image probes and feature-wise uncertainty in tabular data. Synthetic diagnostics show that Reveal-IG avoids path artifacts that affect input-space methods, and across ImageNet classification and tabular regression it produces stable, signed attributions -- leading on metrics that use attribution sign while remaining competitive on the rest.
• Abstract（参考訳）: 特徴属性法は、重要点を入力特徴に割り当てることで予測を説明する。 Integrated Gradientsのようなパスベースのメソッドは、それらが \textit{completeness} を満たすので特に魅力的である。 しかし、ほとんどの経路法はこの軌跡を入力空間で定義し、選択された経路に沿って点方向の摂動入力を通してモデルを説明する。 入力空間パスは、それが通過する各点でモデルの生の応答を統合し、特徴がクエリされる解像度を制御しない。 ここでは、入力空間から関心の例として構造化されたプローブ分布の空間への経路属性を持ち上げ、その手法をReveal-IGと呼ぶ。 生の入力値をトラバースする代わりに、Reveal-IGはこの分布経路に沿って、モデルの期待出力における入力と属性の変化に関する情報を徐々に明らかにする。 その結果、期待されるモデル応答に対する完全性を維持し、マルチスケールの画像プローブと表データの機能的不確かさを自然に許容するパス属性フレームワークが得られた。 合成診断によると、Reveal-IGは入力空間メソッドに影響を与えるパスアーティファクトを避け、ImageNetの分類とタブレグレッションを通じて、安定した署名された属性を生成します。

関連論文リスト

• Manifold-Aligned Guided Integrated Gradients for Reliable Feature Attribution [26.87015322424142]
  統合勾配(IG)は、ベースラインと入力の間の積分経路がノイズ勾配のある領域を通過するとき、信頼できない説明が得られる。 本稿では,事前学習した変分オートエンコーダの潜在空間における帰属経路を構成するemphManifold-Aligned Guided Integrated Gradients (MA-GIG)を提案する。
  論文  参考訳（メタデータ） (2026-05-04T02:56:29Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Noise-Free Explanation for Driving Action Prediction [11.330363757618379]
  我々は, この欠陥を解消するための, 実装が容易だが効果的な方法を提案する: 平滑な騒音ノルム注意(SNNA) 変換された値ベクトルのノルムで注意を重み付け、アテンション勾配でラベル固有の信号を誘導し、入力摂動をランダムにサンプリングし、対応する勾配を平均化し、ノイズのない属性を生成する。 定性的かつ定量的な評価結果は、より明確な視覚的説明図を作成し、入力画素の重要度をランク付けする他のSOTA注意に基づく説明可能な方法と比較して、SNNAの優位性を示している。
  論文  参考訳（メタデータ） (2024-07-08T19:21:24Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Rethinking interpretation: Input-agnostic saliency mapping of deep visual classifiers [28.28834523468462]
  Saliencyメソッドは、入力特徴をモデル出力に寄与させることで、ポストホックモデルの解釈を提供する。 入力特異性マッピングは本質的に誤解を招く特徴の帰属に影響を受けやすいことを示す。 本稿では,モデルが持つ高次特徴をその出力に対して計算的に推定する,入力非依存のサリエンシマッピングの新たな視点を紹介する。
  論文  参考訳（メタデータ） (2023-03-31T06:58:45Z)
• Hybrid Routing Transformer for Zero-Shot Learning [83.64532548391]
  本稿ではハイブリッド・ルーティング・トランス (HRT) と呼ばれる新しいトランス・デコーダモデルを提案する。 ボトムアップとトップダウンの動的ルーティング経路の両方で構築されたアクティブアテンションを組み込んで,属性に整合した視覚的特徴を生成する。 HRTデコーダでは,属性対応の視覚特徴,対応する属性セマンティクス,およびクラス属性ベクトル間の相関関係を静的なルーティングで計算し,最終クラスラベルの予測を生成する。
  論文  参考訳（メタデータ） (2022-03-29T07:55:08Z)
• Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
  本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。 変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T22:03:50Z)
• Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
  本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。 そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
  論文  参考訳（メタデータ） (2020-09-07T13:01:45Z)

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。