論文の概要: CENDRe: Concept Extraction with Natural Domain Representations

• arxiv url: http://arxiv.org/abs/2607.29621v1
• Date: Fri, 31 Jul 2026 16:56:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.817879
• Title: CENDRe: Concept Extraction with Natural Domain Representations
• Title（参考訳）: CENDRe:自然領域表現による概念抽出
• Authors: Antonia Holzapfel, Andres Felipe Posada Moreno, Sebastian Trimpe,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)の概念抽出手法であるCENDReを提案する。 CENDReは、2段階の遅延表現をクラスタリングすることで概念を発見し、シルエット誘導アグリゲーションは自動的に概念の数を選択する。 それぞれの概念を、潜伏表現とプロトタイプとは対照的なプレゼンススコアの勾配を通じてローカライズし、コンセプトを駆動する領域に集中するマスクを生成する。 実際のベアリングフォールトデータに基づいて、CENDReは、一般的に故障診断のために検査される領域に位置するモデルの予測を駆動する周波数帯域を抽出する。
• 参考スコア（独自算出の注目度）: 10.61206107163781
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks (CNNs) are widely used for time-series classification, but their deployment in critical domains requires understanding the temporal and spectral patterns that drive their predictions. Concept extraction (CE) methods identify such patterns by analyzing representations within the models' latent space. However, existing time-series CE methods have three limitations: they operate only in the time domain and overlook frequency features, predefine the number of concepts, and produce localizations misaligned with the regions the model uses. We address these limitations by proposing CENDRe, a concept extraction method for CNNs. It first discovers concepts by clustering per-timestep latent representations in two stages, where silhouette-guided aggregation selects the number of concepts automatically. Then, it localizes each concept through gradients of a presence score that contrasts the latent representations with their prototypes, producing masks that concentrate on the regions driving the concept. These gradients, propagated through a differentiable invertible mapping of the input such as a Fourier transform, yield localizations for the same concepts in the frequency domain. Finally, each concept receives a relevance score that quantifies its contribution to each class. On synthetic benchmarks, CENDRe achieves representation correctness comparable to state-of-the-art CE methods and significantly higher importance correctness. On real bearing-fault data, CENDRe extracts the frequency bands driving the model's predictions, located in regions commonly inspected for fault diagnosis, producing evidence to assess the model that time-domain CE methods cannot.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は時系列分類に広く使用されているが、重要な領域への展開には、予測を駆動する時間的およびスペクトル的パターンを理解する必要がある。 概念抽出(CE)法は、モデルの潜在空間内の表現を分析することによって、そのようなパターンを識別する。 しかし、既存の時系列CEメソッドには3つの制限がある:それらは時間領域内でのみ動作し、周波数特性を見落とし、概念の数を事前に定義し、モデルが使用する領域と一致しないローカライゼーションを生成する。 CNNの概念抽出手法であるCENDReを提案することで,これらの制約に対処する。 最初に、2段階の遅延表現をクラスタリングすることで概念を発見し、シルエット誘導アグリゲーションが自動的に概念の数を選択する。 そして、各概念をプレゼンススコアの勾配によってローカライズし、潜在表現とプロトタイプを対比し、コンセプトを駆動する領域に集中するマスクを生成する。 これらの勾配はフーリエ変換のような入力の微分可能可逆写像によって伝播され、周波数領域における同じ概念の局所化をもたらす。 最後に、各概念は各クラスへのコントリビューションを定量化する関連スコアを受け取る。 合成ベンチマークでは、CENDReは最先端のCE法に匹敵する表現正当性を達成し、より重要度の高い正当性を達成している。 実際のベアリングフォールトデータに基づいて、CENDReは、異常診断のために一般的に検査される領域に位置するモデルの予測を駆動する周波数帯域を抽出し、時間領域CE法では不可能であるモデルを評価するための証拠を生成する。

関連論文リスト

• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Concept Extraction for Time Series with ECLAD-ts [5.467140383171385]
  時系列分類(TSC)のためのCNNは、品質予測から医学的診断に至るまで、ますます使われてきている。 CNNはショートカットやバイアスを学ぶ傾向があり、その頑丈さと人間の期待との整合性を損なう。 このようなメカニズムが使われているかどうかと関連するリスクを評価するためには、モデルの内部動作を反映したモデル説明を提供することが不可欠である。
  論文  参考訳（メタデータ） (2025-04-07T12:49:20Z)
• TIDE: Training Locally Interpretable Domain Generalization Models Enables Test-time Correction [14.396966854171273]
  単一ソース領域の一般化の問題を考える。 既存の手法は通常、訓練中に様々な領域を合成的にカバーする広範囲な拡張に依存している。 予測において,そのような局所的な概念を活用するためにモデルを補完する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-25T08:46:37Z)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• Point-Based Value Iteration for POMDPs with Neural Perception Mechanisms [31.51588071503617]
  ニューロシンボリックな部分観測可能なマルコフ決定過程(NS-POMDP)を紹介する。 状態空間と値ベクトルを包含するポリヘドラを用いて, 分割線形凸表現(P-PWLC)を提案する。 本稿では,ReLUニューラルネットワークを知覚機能として用いた2つのケーススタディに対して,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2023-06-30T13:26:08Z)
• ECLAD: Extracting Concepts with Local Aggregated Descriptors [6.470466745237234]
  そこで本研究では,CNNアクティベーションマップの画素ワイドアグリゲーションから得られた表現に基づいて,概念の自動抽出とローカライズを行う手法を提案する。 本稿では,主成分の画素単位のアノテーションを用いた合成データセットに基づく概念抽出手法の検証手法を提案する。
  論文  参考訳（メタデータ） (2022-06-09T14:25:23Z)
• Modeling Temporal Concept Receptive Field Dynamically for Untrimmed Video Analysis [105.06166692486674]
  本稿では,概念に基づくイベント表現の時間的概念受容分野について考察する。 時間的動的畳み込み(TDC)を導入し、概念に基づくイベント分析をより柔軟にする。 異なる係数は、入力ビデオに応じて適切な時間的概念受容フィールドサイズを生成することができる。
  論文  参考訳（メタデータ） (2021-11-23T04:59:48Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)

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。