論文の概要: MorphoSHAP: Rethinking the Unit of Attribution in Explanation for Deep Visual Models

• arxiv url: http://arxiv.org/abs/2609.25815v1
• Date: Tue, 22 Sep 2026 07:44:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.27386
• Title: MorphoSHAP: Rethinking the Unit of Attribution in Explanation for Deep Visual Models
• Title（参考訳）: MorphoSHAP: 深い視覚モデルのための説明における属性単位の再考
• Abstract要約: シェープリー属性ゲームのプレイヤーとして形態的形状を用いるモデル非依存手法であるMorphoSHAPを紹介する。 形状木を用いて、それぞれの形状は、そのスケール、幾何学、および署名された貢献によって記述される。 MorphoSHAPは、これらの様々な説明を組み合わせる最初のSHAPベースの画像属性フレームワークである。
• 参考スコア（独自算出の注目度）: 50.4721587020793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual attribution methods typically explain predictions using pixels, superpixels, or regular patches. These representations can localize important regions, but provide limited information about their structure. We introduce MorphoSHAP, a model-agnostic post-hoc method that instead uses morphological shapes as the players of a Shapley attribution game. Using the Tree of Shapes, each shape is described by its scale, geometry, and signed contribution, providing explanations of where the evidence lies, what type of structure carries it, and how strongly it affects the prediction. This shared morphological vocabulary enables spatial, textual, and global class-level explanations beyond image-specific heatmaps. To the best of our knowledge, MorphoSHAP is the first SHAP-based image attribution framework to combine these different forms of explanation. Across five diverse datasets and three architectures, MorphoSHAP achieves strong insertion/deletion performance and outperforms competing attribution methods on several benchmarks. Finally, a user study shows that MorphoSHAP provides explanations that are easy to use and are preferred over standard attribution baselines.
• Abstract（参考訳）: 視覚属性法は通常、ピクセル、スーパーピクセル、正規パッチを使った予測を説明する。 これらの表現は重要な領域をローカライズできるが、その構造に関する限られた情報を提供する。 モデルに依存しないポストホック法であるMorphoSHAPを導入する。 形状の木を用いて、それぞれの形状は、そのスケール、幾何学、署名された貢献によって説明され、証拠がどこにあるか、どのような構造がそれを持ち、それが予測にどれほど強く影響するかを説明できる。 この共有形態的語彙は、画像固有のヒートマップを超えた空間的、テキスト的、グローバルなクラスレベルの説明を可能にする。 私たちの知る限りでは、MorphoSHAPはSHAPベースの画像属性フレームワークとしては初めて、これらのさまざまな説明を組み合わせました。 5つの多様なデータセットと3つのアーキテクチャで、MorphoSHAPは強い挿入/削除性能と、いくつかのベンチマークで競合する属性メソッドよりも優れています。 最後に、ユーザスタディでは、MorphoSHAPは使いやすく、標準属性ベースラインよりも好まれる説明を提供する。

関連論文リスト

• ProtoMask: Segmentation-Guided Prototype Learning [2.1823636275559575]
  画像分割基礎モデルを用いて,埋め込み空間と入力空間のマッピングの真正性を改善する。 原型画像の情報を知覚するために、生成した各セグメンテーションマスクのバウンディングボックスを用いて画像を収穫する。 一般的な3つの詳細な分類データセットに対して、幅広いメトリクスを用いて実験を行う。
  論文  参考訳（メタデータ） (2025-10-01T09:07:24Z)
• MAP: Domain Generalization via Meta-Learning on Anatomy-Consistent Pseudo-Modalities [12.194439938007672]
  解剖学的に整合した擬似モダリティ(MAP)のメタラーニングを提案する。 MAPは構造的特徴を学習することでモデル一般化性を向上させる。 各種網膜画像モダリティの公開データセットを7つ評価した。
  論文  参考訳（メタデータ） (2023-09-03T22:56:22Z)
• Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers [8.781861951759948]
  本稿では,画像分類の性能向上のために,変形空間における変形可能な形状を学習する最初のディープラーニングモデルGeo-SICを提案する。 画像空間と潜時形状空間の両方から特徴を同時に導出する,クラス内変動の大きい新設計のフレームワークを提案する。 幾何学的形状表現の教師なし学習を取り入れた強化型分類網を開発した。
  論文  参考訳（メタデータ） (2022-10-25T01:55:17Z)
• Shap-CAM: Visual Explanations for Convolutional Neural Networks based on Shapley Value [86.69600830581912]
  クラスアクティベーションマッピングに基づくShap-CAMと呼ばれる新しい視覚的説明法を開発した。 我々は,Shap-CAMが意思決定プロセスの解釈において,より良い視覚的性能と公平性を実現することを実証した。
  論文  参考訳（メタデータ） (2022-08-07T00:59:23Z)
• Semantic-shape Adaptive Feature Modulation for Semantic Image Synthesis [71.56830815617553]
  きめ細かい部分レベルのセマンティックレイアウトは、オブジェクトの詳細生成に役立ちます。 各画素の位置特徴を記述するために,SPD (Shape-aware Position Descriptor) を提案する。 セマンティック形状適応特徴変調 (SAFM) ブロックは, 与えられた意味マップと位置特徴を組み合わせるために提案される。
  論文  参考訳（メタデータ） (2022-03-31T09:06:04Z)
• SLISEMAP: Explainable Dimensionality Reduction [0.0]
  ブラックボックス制御学習モデルの既存の説明方法は、一般に、特定のデータ項目のモデル動作を説明するローカルモデルを構築することで機能する。 本研究では,すべてのデータ項目の局所的な説明を探索し,モデル空間を二次元的に可視化する新しい多様体可視化手法であるSLISEMAPを提案する。 SLISEMAPはブラックボックスの回帰モデルや分類モデルの説明や理解に使用できる高速で安定した可視化を提供する。
  論文  参考訳（メタデータ） (2022-01-12T13:06:21Z)
• Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
  階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。 実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-05-05T16:41:00Z)
• PatchNets: Patch-Based Generalizable Deep Implicit 3D Shape Representations [75.42959184226702]
  物体認識訓練のための中級パッチベースサーフェス表現を提案する。 形状や部分点雲の完全化など,新しい表現の応用例をいくつか紹介する。
  論文  参考訳（メタデータ） (2020-08-04T15:34:46Z)

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。