論文の概要: Does Explainability Transfer? A Controlled Benchmark of Attribution Methods on Vision Transformers and CNNs

• arxiv url: http://arxiv.org/abs/2608.02396v1
• Date: Mon, 03 Aug 2026 15:39:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.387697
• Title: Does Explainability Transfer? A Controlled Benchmark of Attribution Methods on Vision Transformers and CNNs
• Title（参考訳）: 説明可能性伝達は可能か? 視覚変換器とCNNの属性手法の制御ベンチマーク
• Abstract要約: 本稿では,忠実度,ローカライゼーション,堅牢性,複雑性,計算コストの5次元にわたる属性品質を評価するベンチマークを提案する。 その結果、属性性能はアーキテクチャ依存に強く依存しており、CNNで確立されたランキングはトランスフォーマーベースモデルに確実に移行しないことがわかった。
• 参考スコア（独自算出の注目度）: 0.45671221781968335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most evidence on the effectiveness of explainable artificial intelligence (XAI) attribution methods has been established on convolutional neural networks (CNNs), with limited investigation into whether these conclusions generalize to the diverse Vision Transformer (ViT) architectures that now dominate computer vision. This paper presents a controlled benchmark that evaluates attribution quality across five dimensions: faithfulness, localization, robustness, complexity, and computational cost. A standardized framework assesses 13 attribution methods from four algorithmic families on eight representative backbones spanning CNNs, isotropic ViTs, hierarchical transformers, hybrid architectures, and linear-attention transformers. The results show that attribution performance is strongly architecture-dependent and that rankings established on CNNs do not reliably transfer to transformer-based models. CAM-based methods achieve the highest scores under the conventional bounding-box localization metric on CNNs and most ViTs but perform poorly on linear-attention architectures. Pixel-level dense-mask evaluation further reveals that these gains largely reflect metric saturation rather than accurate localization. CAM-based methods also exhibit limited robustness on global-attention transformers, whereas attention rollout provides consistently stable explanations with poor localization. Furthermore, faithfulness correlation offers limited discrimination between attribution methods, highlighting the limitations of single-metric evaluation. These findings challenge prevailing conclusions on attribution performance and demonstrate the need for architecture-aware, multi-dimensional evaluation. The open-source code for the evaluation framework and benchmark results is available at https://github.com/Nishan-Charlie/VIT_XAI_Bench.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)において、説明可能な人工知能(XAI)の帰属法の有効性に関する多くの証拠が確立され、これらの結論がコンピュータビジョンを支配している様々な視覚変換器(ViT)アーキテクチャに一般化されるかどうかが限定的に調査されている。 本稿では,忠実度,ローカライゼーション,ロバスト性,複雑性,計算コストの5次元にわたる属性品質を評価するための制御されたベンチマークを提案する。 標準化されたフレームワークは、CNN、等方性ViT、階層型トランスフォーマー、ハイブリッドアーキテクチャ、線形アテンショントランスフォーマーにまたがる8つの代表的なバックボーン上の4つのアルゴリズムファミリからの13の帰属方法を評価する。 その結果、帰属性能はアーキテクチャ依存に強く依存しており、CNN上で確立されたランキングはトランスフォーマーベースモデルに確実に移行しないことがわかった。 CAMに基づく手法は、CNNやほとんどのViTにおける従来の境界ボックスのローカライゼーション基準の下では最高スコアを得るが、線形アテンションアーキテクチャでは性能が劣る。 画素レベルの高密度マスク評価は、これらの利得が正確な局所化ではなくメートル法飽和を反映していることをさらに明らかにしている。 CAMベースの手法は、グローバルアテンション変換器に制限されたロバスト性を示す一方、アテンションロールアウトは、ローカライゼーションの低い一貫した安定な説明を提供する。 さらに、忠実度相関は、単度評価の限界を強調し、帰属法間の限定的な差別を提供する。 これらの知見は、帰属性能に関する一般的な結論に挑戦し、アーキテクチャを意識した多次元評価の必要性を実証する。 評価フレームワークとベンチマーク結果のオープンソースコードはhttps://github.com/Nishan-Charlie/VIT_XAI_Bench.comで公開されている。

関連論文リスト

• Beyond Binary Success: A Diagnostic Meta-Evaluation Framework for Fine-Grained Manipulation [98.79811866787263]
  診断メタ評価フレームワークであるMetaFineを紹介する。 局所的な空間構造を保存できる視覚エンコーダの能力は,きめ細かな精度の鍵となるボトルネックである。 評価をランキングから診断にシフトすることで、MetaFineは、ベンチマークを実際の物理デキスタリティに基づく階層化された能力の修復のための実行可能なコンパスに変換する。
  論文  参考訳（メタデータ） (2026-05-19T15:25:13Z)
• Employing Vision-Language Models for Face Image Quality Assessment [0.023141219541346198]
  顔画像品質評価(FIQA)はバイオメトリックパイプラインにおいて重要な制御ステップである。 最先端のFIQA法は高い実用性を達成するが、通常「ブラックボックス」として機能する ゼロショット環境でFIQAを実行することにより,このギャップを埋めるため,市販のビジョンランゲージモデル(VLM)の可能性を検討する。
  論文  参考訳（メタデータ） (2026-05-17T14:57:52Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• DuoFormer: Leveraging Hierarchical Representations by Local and Global Attention Vision Transformer [1.456352735394398]
  本稿では、畳み込みニューラルネットワーク(CNN)の特徴抽出機能と視覚変換器(ViT)の高度な表現可能性とを包括的に統合した新しい階層型トランスフォーマーモデルを提案する。 インダクティブバイアスの欠如と、ViTの広範囲なトレーニングデータセットへの依存に対処するため、我々のモデルはCNNバックボーンを使用して階層的な視覚表現を生成する。 これらの表現は、革新的なパッチトークン化プロセスを通じてトランスフォーマー入力に適応し、継承されたマルチスケールの帰納バイアスを保存する。
  論文  参考訳（メタデータ） (2025-06-15T22:42:57Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• ETO:Efficient Transformer-based Local Feature Matching by Organizing Multiple Homography Hypotheses [35.31588965060201]
  局所的な特徴マッチングのための効率的なトランスフォーマーベースネットワークアーキテクチャを提案する。 YFCC100Mデータセットでは、我々のマッチング精度は最先端のトランスフォーマーベースのアーキテクチャであるLoFTRと競合する。
  論文  参考訳（メタデータ） (2024-10-30T06:39:27Z)
• CNN-Transformer Rectified Collaborative Learning for Medical Image Segmentation [60.08541107831459]
  本稿では,医用画像セグメンテーションのための強力なCNNベースモデルとトランスフォーマーベースモデルを学習するための,CNN-Transformer修正協調学習フレームワークを提案する。 具体的には,学生ソフトラベルの誤り領域を適応的に選択・修正する基礎的真理を取り入れた修正ロジット・ワイド・コラボレーティブ・ラーニング(RLCL)戦略を提案する。 また,機能空間におけるCNNベースモデルとTransformerベースモデル間の効果的な知識伝達を実現するために,クラス認識型特徴量協調学習(CFCL)戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-25T01:27:35Z)
• Rich CNN-Transformer Feature Aggregation Networks for Super-Resolution [50.10987776141901]
  近年の視覚変換器と自己注意は,様々なコンピュータビジョンタスクにおいて有望な成果を上げている。 我々は,CNNの局所的特徴とトランスフォーマーが捉えた長距離依存性を活用する,超解像(SR)タスクのための効果的なハイブリッドアーキテクチャを提案する。 提案手法は,多数のベンチマークデータセットから最先端のSR結果を得る。
  論文  参考訳（メタデータ） (2022-03-15T06:52:25Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• Eigen-CAM: Class Activation Map using Principal Components [1.2691047660244335]
  この論文は、解釈可能で堅牢で透明なモデルに対する需要の増加に対応するために、従来の考え方に基づいている。 提案したEigen-CAMは、畳み込み層から学習した特徴/表現の基本的なコンポーネントを計算し、視覚化する。
  論文  参考訳（メタデータ） (2020-08-01T17:14:13Z)

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。