論文の概要: Diverse by Design: Architectural Constraints for Prototype-Based Interpretability

• arxiv url: http://arxiv.org/abs/2609.27194v1
• Date: Wed, 23 Sep 2026 00:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.812127
• Title: Diverse by Design: Architectural Constraints for Prototype-Based Interpretability
• Title（参考訳）: 設計の多様性: プロトタイプベースの解釈可能性のためのアーキテクチャ制約
• 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、ケースベースの推論を通じて固有の解釈可能性を提供するが、臨界的な制限に悩まされる。 本稿では,アーキテクチャ制約を通したプロトタイプの多様性を強制するDAPL(Diversity-Aware Prototype Learning)を提案する。
• 参考スコア（独自算出の注目度）: 5.85475798896638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prototype-based neural networks provide inherent interpretability through case-based reasoning, yet suffer from critical limitations: prototypes converge to redundant features, fail to capture diverse semantic parts, and lack quantitative interpretability assessment. We propose Diversity-Aware Prototype Learning (DAPL), which enforces prototype diversity through architectural constraints rather than explicit regularization. Our approach leverages multi-head self-attention with strict one-to-one attention-to-prototype mapping, ensuring each prototype specializes in distinct visual features. We further introduce foreground-aware training to focus prototypes on semantically meaningful regions and develop comprehensive evaluation metrics (Coverage and Diversity) for quantitative interpretability assessment. Experiments on CUB-200-2011 demonstrate substantial improvements: DAPL with foreground-aware training achieves 81.69\% accuracy with 0.596 Coverage and 0.427 Diversity, providing the best overall balance across all evaluated prototype-based methods. Code is available at https://github.com/xinmiaolin/DAPL.
• Abstract（参考訳）: プロトタイプは冗長な特徴に収束し、多様なセマンティック部分のキャプチャに失敗し、定量的解釈可能性の評価が欠如している。 本稿では, 明示的な正規化ではなく, アーキテクチャ上の制約により, プロトタイプの多様性を強制する多様性意識型プロトタイプ学習(DAPL)を提案する。 提案手法では,多面的自己意識と厳密な1対1の注意-プロトタイプマッピングを併用し,それぞれのプロトタイプが視覚的特徴に特化することを保証している。 さらに,意味的意味のある領域に焦点を合わせ,定量的解釈可能性評価のための総合的な評価指標(包括的・多様性)を開発するために,前景認識トレーニングを導入する。 CUB-200-2011の実験では、前景を意識したDAPLは0.596カバーと0.427ダイバーシティで81.69\%の精度を達成し、全ての評価されたプロトタイプベースの手法の全体的なバランスを最高のものにしている。 コードはhttps://github.com/xinmiaolin/DAPL.comで入手できる。

関連論文リスト

• Beyond Points: Spherical Distributional Part Prototypes for Interpretable Classification [9.050510996987436]
  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。
  論文  参考訳（メタデータ） (2026-06-25T22:16:41Z)
• 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)
• HiProto: Hierarchical Prototype Learning for Interpretable Object Detection Under Low-quality Conditions [12.176786575462152]
  重要なアプリケーションにオブジェクト検出システムをデプロイするには、解釈可能性が不可欠である。 既存の手法は、画像の品質を高めるか、複雑なアーキテクチャを設計するが、しばしば解釈可能性に欠け、意味的差別の改善に失敗する。 階層型プロトタイプ学習に基づくオブジェクト検出のための新しいパラダイムであるHiProtoを提案する。
  論文  参考訳（メタデータ） (2026-04-15T15:26:21Z)
• 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)
• 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)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
  原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。 PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。 PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
  論文  参考訳（メタデータ） (2020-05-11T09:53:36Z)

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。