論文の概要: Differences in Detection: Explainability Where it Matters

• arxiv url: http://arxiv.org/abs/2606.07503v1
• Date: Fri, 05 Jun 2026 17:54:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.884088
• Title: Differences in Detection: Explainability Where it Matters
• Title（参考訳）: 検出の差異:何が重要かの説明可能性
• Authors: Johannes Theodoridis, Johannes Maucher, Andreas Schilling,
• Abstract要約: 2つの物体検出モデルを比較するための直感的手法である差分検出法(DnD)を提案する。 両モデルで認識される接地真理ラベルの交叉を計算し,それに対応する差分集合と,両モデルで欠落する接地真理ラベルの補集合を求める。 結果として得られる比較は、独立した要約統計の比較よりも直接的で直感的である。
• 参考スコア（独自算出の注目度）: 3.9635467316436124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Differences in Detection (DnD), an intuitive method to compare two object detection models. Based on the same matching algorithm, it complements the standard metrics of mean Average Precision ($mAP$) and TIDE error analysis with the ability to compare two models directly. More specifically, we calculate the intersection of ground truth labels that are recognized by both models, followed by the corresponding difference sets and the complement set of ground truth labels that are missed by both models. The resulting comparison is more direct and intuitive than a comparison of independent summary statistics. It reveals individual and shared mistakes and becomes particularly interesting when combined with error types. In this case, the differences in detection errors can be analyzed naturally in a standard confusion matrix. While valuable in itself, we believe that one of the best applications of DnD is to guide explainability methods such as ODAM towards metric-relevant examples, grounded in structured subsets. The code for our method is available here: https://github.com/JohannesTheo/differences-in-detection
• Abstract（参考訳）: 2つの物体検出モデルを比較するための直感的手法である差分検出法(DnD)を提案する。 同じマッチングアルゴリズムに基づいて、2つのモデルを直接比較できる平均精度(mAP$)とTIDEエラー分析の標準メトリクスを補完する。 より具体的には、両モデルで認識される接地真理ラベルの交叉を計算し、続いて対応する差分集合と両モデルで欠落する接地真理ラベルの補集合を算出する。 結果として得られる比較は、独立した要約統計の比較よりも直接的で直感的である。 個々人と共有された誤りを明らかにし、エラータイプと組み合わせると特に興味深いものになります。 この場合、検出誤差の違いを標準の混乱行列で自然に解析することができる。 DnDの最も優れた応用の1つは、構造化された部分集合を基礎として、ODAMのような説明可能性の手法を計量関連例に導くことであると我々は信じている。 https://github.com/JohannesTheo/differences-in-detection. メソッドのコードはこちらで利用可能です。

関連論文リスト

• A Distance Metric for Mixed Integer Programming Instances [0.0]
  Mixed-integer linear programming (MILP)は、様々な現実世界の問題に対処するための強力なツールである。 既存の類似度メトリクスは、しばしばインスタンスクラスを識別する精度を欠いているか、ラベル付きデータに大きく依存している。 本稿では,その数学的定式化から直接導出したMILPインスタンスに対する最初の数学的距離測定について紹介する。
  論文  参考訳（メタデータ） (2025-07-15T07:55:09Z)
• BehaviorBox: Automated Discovery of Fine-Grained Performance Differences Between Language Models [55.2480439325792]
  本稿では,性能を考慮した文脈埋め込みを用いた言語モデルの自動比較手法を提案する。 提案手法は,2つのLM間の生成容易性について,その相違点を示すコヒーレントな特徴を抽出する。 本研究では,サイズ,モデルファミリ,ポストトレーニングの異なるモデルを比較し,コーパスレベルの難易度だけでは見つからないパフォーマンスの有意義な違いを示す,特定のコンテキストに対する洞察を列挙する。
  論文  参考訳（メタデータ） (2025-06-02T19:44:06Z)
• Bias Detection via Maximum Subgroup Discrepancy [2.236957801565796]
  距離の概念である最大部分群離散性(MSD)を提案する。 この計量において、2つの分布が概して、すべての特徴部分群に対して相違が低ければ近い。 サンプルの複雑さが特徴数で線形であることを示し、実用的な用途で実現可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-04T11:01:03Z)
• Model Alignment Search [0.0]
  本稿では,ニューラルネットワーク間で双方向に神経活動を伝達し,その動作を機能的類似性の尺度として利用する手法を提案する。 本研究では,この手法を用いて,ある凍結ニューラルネットワーク(NN)の動作を,モデル縫合と同様の方法で他のニューラルネットワークへ転送する方法を示す。 本稿では,因果情報の特定のサブタイプを調べるために,本手法が有効であることを示す数値関連タスクのケーススタディを提案する。
  論文  参考訳（メタデータ） (2025-01-10T18:39:29Z)
• Understanding Factual Errors in Summarization: Errors, Summarizers, Datasets, Error Detectors [105.12462629663757]
  本研究では、既存の9つのデータセットから事実性エラーアノテーションを集約し、基礎となる要約モデルに従ってそれらを階層化する。 本稿では,この階層化ベンチマークにおいて,最近のChatGPTベースの指標を含む最先端の事実性指標の性能を比較し,その性能が様々な種類の要約モデルで大きく異なることを示す。
  論文  参考訳（メタデータ） (2022-05-25T15:26:48Z)
• Predicting Out-of-Distribution Error with the Projection Norm [87.61489137914693]
  射影ノルムは、地上の真理ラベルにアクセスすることなく、分布外データ上でモデルのパフォーマンスを予測する。 対数例で非自明な検出性能を実現するには,プロジェクションノルムが唯一の方法であることがわかった。
  論文  参考訳（メタデータ） (2022-02-11T18:58:21Z)
• IMACS: Image Model Attribution Comparison Summaries [16.80986701058596]
  我々は,勾配に基づくモデル属性とアグリゲーションと可視化技術を組み合わせたIMACSを提案する。 IMACSは評価データセットから適切な入力特徴を抽出し、類似性に基づいてクラスタ化し、類似した入力特徴に対するモデル属性の違いを可視化する。 本稿では,衛星画像上で訓練した2つのモデル間の領域シフトによる行動差を明らかにする方法を示す。
  論文  参考訳（メタデータ） (2022-01-26T21:35:14Z)
• Comparison of Anomaly Detectors: Context Matters [0.0]
  この比較の目的は、様々なパラダイムの異常検出方法の比較と、異なる結果をもたらす可能性のある変動源の同定である。 画像データの最良の結果は、実験条件に応じて、特徴マッチングGANまたは変動オートエンコーダ(VAE)とOC-SVMの組み合わせによって得られた。
  論文  参考訳（メタデータ） (2020-12-11T11:50:35Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。