論文の概要: From Preimage Search To Source-Grounded Feature Inversion
- arxiv url: http://arxiv.org/abs/2607.12526v1
- Date: Tue, 14 Jul 2026 09:02:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.091342
- Title: From Preimage Search To Source-Grounded Feature Inversion
- Title（参考訳）: 事前検索からソースを囲む機能インバージョンへ
- Abstract要約: 我々は、ターゲット生成入力において、ソースローカルネットワーク幾何に逆を条件付けることで、ソースグラウンド特徴の逆変換を定式化する。
1つのキャリブレーションされたゼロインターセプションマップファミリは、様々なCNNおよびトランスフォーマーアーキテクチャで新しい入力、深さ、チャネル、チャネルグループをサポートする。
予測条件付き特徴アトラスは、これらの視覚化を、対応する内部特徴に対する独立した介入と整合させる。
- 参考スコア（独自算出の注目度）: 0.33842793760651557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interpreting a neural network requires understanding what its internal features extract from a particular input. Feature inversion seeks to express a selected feature in the input domain, but canonical iterative methods search for an input whose re-encoded representation matches the target. Because many inputs can satisfy this constraint, target matching alone does not specify the inverse associated with the sample that generated the feature. We formulate source-grounded feature inversion by conditioning the inverse on the source-local network geometry at the target-generating input. At each boundary of the computational DAG, backpropagation provides the correct reverse dependencies but transports an adjoint signal rather than an upstream-state estimate. We locally repair this signal with a closed-form matrix Wiener map from a mean-seed VJP to the upstream state, followed by a second Wiener map for the JVP forward-consistency residual, and compose the repaired states through the same DAG in one finite reverse pass. One calibrated zero-intercept map family supports new inputs, depths, channels, and channel groups across diverse CNN and Transformer architectures, tensor components, and visual distributions without query-specific optimisation. Matched target and source controls verify that each inverse depends on the selected feature and the local operators of the sample being explained, rather than a target-independent image template. Prediction-conditioned feature atlases align these visualisations with independent interventions on the corresponding internal features. Together, source-grounded feature inversion opens the model's hidden feature hierarchy to inspection at the level of individual layers and channels, linking what the network extracts from an input to the internal evidence that shapes its decision.
- Abstract（参考訳）: ニューラルネットワークを解釈するには、その内部的特徴が特定の入力から何を抽出するかを理解する必要がある。
特徴反転は、入力領域で選択された特徴を表現しようとするが、正規反復法は、再符号化された表現がターゲットと一致する入力を探索する。
多くの入力がこの制約を満たすことができるので、ターゲットマッチングだけでは、特徴を生成するサンプルに関連する逆を指定しない。
我々は、ターゲット生成入力において、ソースローカルネットワーク幾何に逆を条件付けることで、ソースグラウンド特徴の逆変換を定式化する。
計算DAGのそれぞれの境界において、バックプロパゲーションは正しい逆依存を提供するが、上流状態の推定ではなく随伴信号を運ぶ。
我々は、この信号を平均列VJPから上流状態への閉形式行列 Wiener マップで局所的に修復し、続いて、JVP 前方整合残差に対する第2の Wiener マップを作成し、1つの有限逆パスで同じDAGを通して修復された状態を構成する。
1つのキャリブレーションされたゼロインターセプションマップファミリは、クエリ固有の最適化なしで、CNNやTransformerアーキテクチャ、テンソルコンポーネント、視覚分布をまたいだ新しい入力、深さ、チャネル、チャネルグループをサポートする。
一致したターゲットとソースの制御は、それぞれの逆は、ターゲット非依存の画像テンプレートではなく、選択された特徴と説明されるサンプルのローカル演算子に依存することを検証します。
予測条件付き特徴アトラスは、これらの視覚化を、対応する内部特徴に対する独立した介入と整合させる。
ソース基底機能インバージョンは、個々のレイヤやチャネルのレベルで検査するためにモデルの隠れた特徴階層を開放し、入力からネットワークが抽出するものと、その決定を形作る内部証拠をリンクする。
関連論文リスト
- Attribution via Distributional Paths for Information Revelation [2.707154152696381]
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。
論文 参考訳（メタデータ） (2026-06-02T16:50:28Z) - Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。
既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。
We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。
ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
論文 参考訳（メタデータ） (2026-05-25T05:12:26Z) - Joint-Optimized Unsupervised Adversarial Domain Adaptation in Remote Sensing Segmentation with Prompted Foundation Model [32.03242732902217]
本稿では、ソースドメインデータに基づいてトレーニングされたモデルをターゲットドメインサンプルに適用するという課題に対処する。
SAM(Segment Anything Model)とSAM-JOANet(SAM-JOANet)を併用した協調最適化対向ネットワークを提案する。
論文 参考訳（メタデータ） (2024-11-08T02:15:20Z) - Interpreting the Residual Stream of ResNet18 [0.0]
本稿では、InceptionV1に欠けているアーキテクチャメカニズムである残留ストリームに特に焦点をあてて、ResNet18を調査する。
残差ストリームチャネルの多くは、入力の小型特徴とブロックの大規模特徴とを混合して、スケール不変表現を計算している。
論文 参考訳（メタデータ） (2024-07-07T12:13:03Z) - A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
一般的な類似性に基づく機能アップサンプリングパイプラインが提案されている。
本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。
我々は,モーザイクアーティファクトを緩和する上ではシンプルだが有効であるHR特徴に対して,きめ細かな近傍選択戦略を開発する。
論文 参考訳（メタデータ） (2024-07-02T14:12:21Z) - An Integral Projection-based Semantic Autoencoder for Zero-Shot Learning [0.46644955105516456]
ゼロショット学習(ZSL)分類は、トレーニングセットに含まれないクラス(ラベル)を分類または予測する(見えないクラス)。
近年の研究では、エンコーダが視覚的特徴空間をセマンティック空間に埋め込み、デコーダが元の視覚的特徴空間を再構成する、異なる意味的オートエンコーダ(SAE)モデルが提案されている。
本稿では,意味空間でベクトル化された視覚的特徴空間を潜在表現空間に投影する統合投影型セマンティックオートエンコーダ(IP-SAE)を提案する。
論文 参考訳（メタデータ） (2023-06-26T12:06:20Z) - 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) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。
我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。
重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文 参考訳（メタデータ） (2021-07-22T03:10:51Z) - The DEformer: An Order-Agnostic Distribution Estimating Transformer [17.352818121007576]
順序に依存しない自己回帰分布推定(OADE)は、生成機械学習において難しい問題である。
本稿では,各特徴のアイデンティティを入力の値とともに含む特徴のアイデンティティを符号化する代替手法を提案する。
この入力に基づいてトレーニングされたトランスフォーマーは、二項化MNISTを効果的にモデル化し、固定順序自己回帰分布推定アルゴリズムの平均負の対数類似度にアプローチできることを示す。
論文 参考訳（メタデータ） (2021-06-13T13:33:31Z) - Volumetric Transformer Networks [88.85542905676712]
学習可能なモジュールである容積変換器ネットワーク(VTN)を導入する。
VTNは、中間CNNの空間的およびチャネル的特徴を再設定するために、チャネル回りの歪み場を予測する。
実験の結果,VTNは特徴量の表現力を一貫して向上し,細粒度画像認識とインスタンスレベルの画像検索におけるネットワークの精度が向上することがわかった。
論文 参考訳（メタデータ） (2020-07-18T14:00:12Z)
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。