論文の概要: Beyond Points: Spherical Distributional Part Prototypes for Interpretable Classification

• arxiv url: http://arxiv.org/abs/2606.27582v2
• Date: Tue, 30 Jun 2026 13:35:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 13:50:27.706464
• Title: Beyond Points: Spherical Distributional Part Prototypes for Interpretable Classification
• Title（参考訳）: Beyond Points: 解釈可能な分類のための球面分布部分プロトタイプ
• Abstract要約: プロトタイプベースのニューラルネットワークは、少数のプロトタイプの小さなセットに予測を接地することで、本質的な解釈性を提供することを目的としている。 現代の視覚バックボーンは、通常、各セマンティック部分が実質的なクラス内変動を示す正規化された方向の埋め込み空間で機能する。 超球面上のvon Mises-Fisher成分の混合として各クラスをモデル化する分散部分プロトタイプフレームワークであるvMFProtoを提案する。
• 参考スコア（独自算出の注目度）: 9.050510996987436
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Prototype-based neural networks aim to provide intrinsic interpretability by grounding predictions in a small set of part prototypes. However, modern vision backbones typically operate in normalized, directional embedding spaces where each semantic part exhibits substantial intra-class variability. As a result, point prototypes often become redundant or unstable, hurting both explanation quality and robustness. We propose vMFProto, a distributional part-prototype framework that models each class as a mixture of von Mises-Fisher components on the hypersphere. Each prototype learns its own concentration, capturing part-specific variability, and we use entropic optimal transport (OT) to obtain structured patch-to-prototype assignments. A two-stage training schedule performs OT-driven prototype discovery followed by end-to-end refinement with patch-level distillation and distribution-aware diversity regularization. Experiments on CUB-200-2011, Stanford Dogs, and Stanford Cars with frozen DINO backbones show that vMFProto achieves state-of-the-art explanation quality (consistency, stability, and distinctiveness) with competitive accuracy. Qualitative results confirm that vMFProto yields localized, non-redundant part evidence.
• Abstract（参考訳）: プロトタイプベースのニューラルネットワークは、少数のプロトタイプの小さなセットに予測を接地することで、本質的な解釈性を提供することを目的としている。 しかし、現代の視覚バックボーンは、通常、各セマンティック部分が実質的なクラス内変動を示す正規化された方向埋め込み空間で機能する。 その結果、ポイントプロトタイプはしばしば冗長または不安定になり、説明品質と堅牢性の両方を傷つける。 超球面上のvon Mises-Fisher成分の混合として各クラスをモデル化する分散部分プロトタイプフレームワークであるvMFProtoを提案する。 各プロトタイプはそれぞれの濃度を学習し、部分特異な変数をキャプチャし、エントロピー最適輸送(OT)を用いて構成されたパッチ・ツー・プロトタイプの割り当てを得る。 2段階のトレーニングスケジュールでは、OT駆動のプロトタイプの発見と、パッチレベルの蒸留と分散対応の多様性の正規化によるエンドツーエンドの改良が行われる。 CUB-200-2011、スタンフォード・ドッグス(Stanford Dogs)、スタンフォード・カーズ(Stanford Cars)の凍結したDINOバックボーンによる実験は、vMFProtoが最先端の説明品質(一貫性、安定性、独特さ)を競争精度で達成していることを示している。 定性的結果は、vMFProtoが局所化された非冗長な部分の証拠をもたらすことを裏付ける。

関連論文リスト

• Traits Run Deeper: Trait-Specific Asymmetric Fusion for Personality Assessment [53.50824432699408]
  Traits Run Deeperは、新しいパーソナリティアセスメントフレームワークである。 MFR(Multimodal Foundation Representation)、TSMF(Trit-Specific Modality Fusion)、DCPR(Distributed-Calibrated Personality Regression)の3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-06-09T06:38:36Z)
• Disentangled Fine-Grained Prototype Learning for Incomplete Image-Tabular Classification [28.25868366778138]
  DFPLは、きめ細かいプロトタイプ学習のための新しいフレームワークである。 SSPMはコンパクトで多種多様な共有およびモダリティ特異的なプロトタイプを抽出する。 PFAモジュールは、プロトタイプレベルの分散マッチングとプロトタイプからクラスへのセマンティックアライメントを共同で実施する。
  論文  参考訳（メタデータ） (2026-06-03T21:24:05Z)
• 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)
• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• 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)
• DPL: Spatial-Conditioned Diffusion Prototype Enhancement for One-Shot Medical Segmentation [0.0]
  1ショットの医用画像セグメンテーションは、注釈付きデータに制限があり、患者間で解剖学的変動があるため、プロトタイプ表現の基本的な課題に直面している。 従来のプロトタイプベースの手法は、サポート機能の決定論的平均化に依存しており、堅牢な一般化に不可欠なクラス内の多様性を捉えるのに失敗する脆い表現を生成する。 拡散に基づく特徴空間探索によってプロトタイプ構築を再構築する新しいフレームワークであるDiffusion Prototype Learningを紹介する。
  論文  参考訳（メタデータ） (2025-10-14T05:28:58Z)
• Few to Big: Prototype Expansion Network via Diffusion Learner for Point Cloud Few-shot Semantic Segmentation [12.971351926107289]
  Prototype Expansion Network (PENet) は、2つのアノテートされた特徴源から大容量のプロトタイプを構築するフレームワークである。 PENetは、様々ないくつかのショット設定で最先端のメソッドを著しく上回っている。
  論文  参考訳（メタデータ） (2025-09-16T09:29:46Z)
• Probabilistic Prototype Calibration of Vision-Language Models for Generalized Few-shot Semantic Segmentation [75.18058114915327]
  一般化されたFew-Shot Semanticnative(GFSS)は、いくつかの注釈付き例だけでセグメンテーションモデルを新しいクラスに拡張することを目的としている。 プリトレーニング済みCLIPのマルチモーダルプロトタイプ上での確率的プロトタイプ校正フレームワークであるFewCLIPを提案する。 FewCLIPはGFSSとクラスインクリメンタルセッティングの両方で最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-28T18:36:22Z)
• Mixture of Gaussian-distributed Prototypes with Generative Modelling for Interpretable and Trustworthy Image Recognition [15.685927265270085]
  ガウス分布プロトタイプ(MGProto)の混合(mixture of Gaussian-Distributed Prototypes)と呼ばれるプロトタイプ分布を学習するための新しい生成パラダイムを提案する。 MGProtoは最先端の画像認識とOoD検出性能を実現し,解釈可能性の向上を実現している。
  論文  参考訳（メタデータ） (2023-11-30T11:01:37Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)
• Universal-Prototype Augmentation for Few-Shot Object Detection [128.4592084104352]
  Few-shot Object Detection (FSOD)は、ラベル付きサンプルの少ない新しいオブジェクト検出のパフォーマンスを強化することを目的とする。 少数のサンプルの制約を緩和するため、新しいオブジェクトの学習機能の一般化能力の向上が重要な役割を果たす。 我々は,すべての対象カテゴリから学習した新しいプロトタイプ,すなわちユニバーサルプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:35:36Z)

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。