論文の概要: Adapting Vision-Language Models for Human-Readable XAI in Industrial Object Detection

• arxiv url: http://arxiv.org/abs/2609.31690v1
• Date: Thu, 17 Sep 2026 08:14:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:48:31.17663
• Title: Adapting Vision-Language Models for Human-Readable XAI in Industrial Object Detection
• Title（参考訳）: 産業用物体検出における人間可読XAIのための視覚言語モデルの適用
• Abstract要約: 細調整された視覚言語モデルに基づく工業生産における物体検出のためのXAIインタフェースを提案する。 既存のビジョン言語モデルをベンチマークし、未熟なユーザに対して明確でコンテキストに依存しない説明を提供することで、アウト・オブ・ザ・ボックスモデルはしばしば不足することを示した。
• 参考スコア（独自算出の注目度）: 5.556267945713657
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Explainable Artificial Intelligence (XAI) solutions are essential for building trust in AI technologies and their integration in real manufacturing lines. However, most existing methods are tailored to technical experts, limiting their accessibility to diverse user groups such as blue-collar workers in manufacturing lines who use AI for quality control. In this work, we introduce an XAI interface for object detection in industrial manufacturing based on a fine-tuned vision-language model, designed to generate intuitive explanations for non-expert users. We benchmark existing vision-language models and demonstrate that out-of-the-box models often fall short in delivering clear, context-relevant explanations for non-expert users. To address this, we fine-tune a vision-language model and integrate it into our interface, enabling contextualized, accessible explanations for non-expert users. We demonstrate improvements in explanation clarity, instruction adherence, image groundedness, and contextual awareness over GPT 4o-mini on proprietary and public robotics dataset. This approach advances the accessibility and usability of AI explanations, making them more intuitive and applicable in manufacturing domain.
• Abstract（参考訳）: 説明可能な人工知能(XAI)ソリューションは、AI技術への信頼の構築と、実際の製造ラインへの統合に不可欠である。 しかし、既存のほとんどの手法は技術専門家向けに調整されており、品質管理にAIを使用する製造ラインにおけるブルーカラー労働者のような多様なユーザーグループへのアクセシビリティを制限している。 本研究では,非熟練者に対する直感的な説明を生成するために,細調整された視覚言語モデルに基づく工業生産におけるオブジェクト検出のためのXAIインタフェースを提案する。 既存のビジョン言語モデルをベンチマークし、未熟なユーザに対して明確でコンテキストに依存しない説明を提供することで、アウト・オブ・ザ・ボックスモデルはしばしば不足することを示した。 これを解決するために、視覚言語モデルを微調整し、それをインターフェースに統合し、専門家でないユーザに対してコンテキスト化された、アクセス可能な説明を可能にする。 我々は,GPT 4o-miniにおける説明明快さ,指示順応性,画像的基盤性,文脈的認識の改善を,プロプライエタリかつパブリックなロボティクスデータセット上で示す。 このアプローチにより、AI説明のアクセシビリティとユーザビリティが向上し、製造領域でより直感的に適用できるようになる。

関連論文リスト

• Assessing Visual Privacy Risks in Multimodal AI: A Novel Taxonomy-Grounded Evaluation of Vision-Language Models [55.23884055923282]
  包括的で多レベルなビジュアルプライバシ分類を導入します。 いくつかの最先端のビジョン・ランゲージ・モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2025-09-28T12:04:54Z)
• AIGI-Holmes: Towards Explainable and Generalizable AI-Generated Image Detection via Multimodal Large Language Models [78.08374249341514]
  AI生成コンテンツ(AIGC)の急速な発展は、誤情報を拡散するAIGIの誤用につながった。 大規模で包括的なデータセットであるHolmes-Setを導入し、画像がAI生成されているかどうかを解説したインストラクションチューニングデータセットを含む。 本研究は,MLLMの構造化説明と品質管理によるデータ生成を効率化する,Multi-Expert Juryと呼ばれる効率的なデータアノテーション手法を提案する。 さらに,視覚専門家による事前学習,教師付き微調整,直接選好最適化を含む3段階学習フレームワークであるHolmes Pipelineを提案する。
  論文  参考訳（メタデータ） (2025-07-03T14:26:31Z)
• Reflection on Data Storytelling Tools in the Generative AI Era from the Human-AI Collaboration Perspective [54.152639172274]
  大規模生成AI技術は、ビジュアルおよびナレーション生成におけるそのパワーでデータストーリーテリングを強化する可能性がある。 我々は、最新のツールのコラボレーションパターンを、データストーリーテリングにおける人間とAIのコラボレーションを理解するための専用のフレームワークを使用して、以前のツールのパターンと比較する。 これらのAIテクニックのメリットと、人間とAIのコラボレーションへの影響も明らかにされている。
  論文  参考訳（メタデータ） (2025-03-04T13:56:18Z)
• XEdgeAI: A Human-centered Industrial Inspection Framework with Data-centric Explainable Edge AI Approach [2.0209172586699173]
  本稿では,新しいXAI統合視覚品質検査フレームワークを提案する。 我々のフレームワークはXAIとLarge Vision Language Modelを組み込んで人間中心の解釈可能性を提供する。 このアプローチは、重要な産業アプリケーションに信頼性と解釈可能なAIツールを広く採用する道を開くものだ。
  論文  参考訳（メタデータ） (2024-07-16T14:30:24Z)
• Explainable Artificial Intelligence Techniques for Accurate Fault Detection and Diagnosis: A Review [0.0]
  この文脈でeXplainable AI(XAI)ツールとテクニックをレビューする。 私たちは、AI決定を透明にする彼らの役割、特に人間が関与する重要なシナリオに重点を置いています。 モデル性能と説明可能性のバランスをとることを目的とした,現在の限界と今後の研究について論じる。
  論文  参考訳（メタデータ） (2024-04-17T17:49:38Z)
• XAI for All: Can Large Language Models Simplify Explainable AI? [0.0699049312989311]
  x-[plAIn]"は、カスタムのLarge Language Modelを通じて、XAIをより広く利用できるようにする新しいアプローチである。 我々の目標は、様々なXAI手法の明確で簡潔な要約を生成できるモデルを設計することであった。 使用事例調査の結果から,本モデルは理解し易く,観衆特有の説明を提供するのに有効であることが示された。
  論文  参考訳（メタデータ） (2024-01-23T21:47:12Z)
• Seamful XAI: Operationalizing Seamful Design in Explainable AI [59.89011292395202]
  AIシステムのミスは必然的であり、技術的制限と社会技術的ギャップの両方から生じる。 本稿では, 社会工学的・インフラ的ミスマッチを明らかにすることにより, シームレスな設計がAIの説明可能性を高めることを提案する。 43人のAI実践者と実際のエンドユーザでこのプロセスを探求します。
  論文  参考訳（メタデータ） (2022-11-12T21:54:05Z)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。