Fugu-MT 論文翻訳(概要): ConEx: Human-Interpretable Saliency Maps via Concept-Aware Attribution

論文の概要: ConEx: Human-Interpretable Saliency Maps via Concept-Aware Attribution

arxiv url: http://arxiv.org/abs/2610.04605v1
Date: Sat, 03 Oct 2026 15:48:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-11 18:26:23.016562
Title: ConEx: Human-Interpretable Saliency Maps via Concept-Aware Attribution
Title（参考訳）: ConEx:コンセプト・アウェア・属性による人間解釈型サリエンシ・マップ
Abstract要約: 概念に基づく説明(ConEx)は、忠実さと解釈可能性の両方を提供するために、概念に基づく推論と相性ビジュアライゼーションを橋渡しする。 ConExはクラス固有の概念を自動的に発見し、概念活性化ベクトル(CAV)を通してそれらを表現する ConExは、イメージにそれぞれの概念がどこに現れるか、そしてそれが予測にどのように貢献するかを明らかにする忠実なサリエンシマップを生成する。
参考スコア（独自算出の注目度）: 15.141689275747519
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many visual explanation methods in computer vision highlight pixel importance but struggle to link these low-level cues to semantically meaningful concepts, limiting their interpretability and trustworthiness. We introduce Concept-based Explanations (ConEx), a novel framework that bridges saliency visualization with concept-based reasoning to provide both faithfulness and interpretability. ConEx automatically discovers class-specific concepts and represents them through concept activation vectors (CAVs), learned without manual supervision using an architecture-specific masking mechanism that reduces noise introduced by the segmentation masks to enhance concept purity. ConEx generates faithful saliency maps that reveal where each concept appears in the image and how it contributes to the prediction. To evaluate the reliability of these learned concepts, we propose two complementary metrics, Vector-Concept Match (VCM) and Concept-Class Match (CCM), that quantify concept alignment and enable direct comparison with existing methods. Extensive experiments across diverse settings demonstrate that ConEx achieves state-of-the-art performance on faithfulness, segmentation, and concept-quality benchmarks. Overall, ConEx advances the field toward truly interpretable and concept-grounded explanations in vision models.
Abstract（参考訳）: コンピュータビジョンにおける多くの視覚的説明法は、ピクセルの重要性を強調しているが、これらの低レベルの手がかりを意味論的に意味のある概念に結びつけるのに苦労し、解釈可能性と信頼性を制限している。概念に基づく説明(ConEx)は,信頼感と解釈可能性の両方を提供するために,概念に基づく推論と相性可視化を橋渡しする新しいフレームワークである。 ConExはクラス固有の概念を自動的に発見し、概念アクティベーションベクトル(CAV)を通じてそれらを表現し、概念の純度を高めるためにセグメンテーションマスクによって導入されたノイズを低減するアーキテクチャ固有のマスキング機構を用いて手動で学習する。 ConExは、イメージにそれぞれの概念がどこに現れるか、そしてそれが予測にどのように貢献するかを明らかにする忠実なサリエンシマップを生成する。本稿では,これらの概念の信頼性を評価するために,概念アライメントの定量化と既存手法との直接比較を可能にする,Vector-Concept Match(VCM)とConcept-Class Match(CCM)の2つの相補的指標を提案する。さまざまな設定にわたる大規模な実験は、ConExが忠実さ、セグメンテーション、コンセプト品質ベンチマークで最先端のパフォーマンスを達成したことを示している。全体として、ConExはビジョンモデルにおける真に解釈可能で概念的な説明に向けての分野を推し進めている。

関連論文リスト

Explaining CLIP Zero-shot Predictions Through Concepts [54.05282304471016]
EZPCを導入し,CLIPのゼロショット予測を人間に理解可能な概念で説明する。本手法は,言語記述から学習した概念空間にCLIPの合同画像テキスト埋め込みを投影する。提案手法は,CLIPの強いゼロショット分類精度を維持しつつ,意味のある概念レベルの説明を提供する。
論文参考訳（メタデータ） (2026-03-30T09:31:33Z)
FaCT: Faithful Concept Traces for Explaining Neural Network Decisions [56.796533084868884]
ディープネットワークは、幅広いタスクで顕著なパフォーマンスを示しているが、それらの機能に関するグローバルな概念レベルの理解は、依然として重要な課題である。本稿では,概念に基づく説明の忠実さを強調し,モデル独立な機械的概念説明を用いた新しいモデルを提案する。私たちの概念はクラス間で共有され、あらゆるレイヤから、ロジットへの貢献と入力-視覚化を忠実にトレースすることができます。
論文参考訳（メタデータ） (2025-10-29T13:35:46Z)
ViConEx-Med: Visual Concept Explainability via Multi-Concept Token Transformer for Medical Image Analysis [5.887969742827489]
ViConEx-Medは、視覚的概念の説明可能性のためのトランスフォーマーベースのフレームワークである。提案手法は,高い予測精度を維持しつつ,概念レベルのローカライズマップを生成する。人工的および実世界の医療データセットの実験は、ViConEx-Medが従来のコンセプトベースモデルより優れていることを示した。
論文参考訳（メタデータ） (2025-10-11T11:24:47Z)
CoPA: Hierarchical Concept Prompting and Aggregating Network for Explainable Diagnosis [8.56688324078793]
Concept Prompting and Aggregating (CoPA)は、プロンプトガイダンスの下で多層概念をキャプチャするために設計された新しいフレームワークである。各レイヤからの視覚表現は、テキストの概念表現と整合するように集約される。 CoPAは3つのパブリックデータセット上で最先端のメソッドよりも優れています。
論文参考訳（メタデータ） (2025-10-04T10:29:15Z)
Enhancing the Comprehensibility of Text Explanations via Unsupervised Concept Discovery [21.58887931556088]
ECO-Conceptは、概念アノテーションなしで理解可能な概念を発見するための、本質的に解釈可能なフレームワークである。本手法は多種多様なタスクにまたがって優れた性能を実現する。さらなる概念評価は、ECO-Conceptが学んだ概念が理解度において現在の概念を上回っていることを検証する。
論文参考訳（メタデータ） (2025-05-26T17:59:51Z)
V2C-CBM: Building Concept Bottlenecks with Vision-to-Concept Tokenizer [19.177297480709512]
概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、イメージを人間の理解可能な概念に変換することによって、固有の解釈性を提供する。最近のアプローチでは、概念ボトルネックを構築するために、大きな言語モデルの知識を活用している。本研究では,CBMをマルチモーダルモデルから直接構築することで,これらの問題を回避する。
論文参考訳（メタデータ） (2025-01-09T05:12:38Z)
OmniPrism: Learning Disentangled Visual Concept for Image Generation [57.21097864811521]
創造的な視覚概念の生成は、しばしば関連する結果を生み出すために参照イメージ内の特定の概念からインスピレーションを引き出す。我々は,創造的画像生成のための視覚的概念分離手法であるOmniPrismを提案する。提案手法は,自然言語で案内される不整合概念表現を学習し,これらの概念を組み込むために拡散モデルを訓練する。
論文参考訳（メタデータ） (2024-12-16T18:59:52Z)
Towards Compositionality in Concept Learning [20.960438848942445]
既存の教師なし概念抽出手法では、構成的でない概念が見つかる。これらの特性に従う概念を見つけるための合成概念抽出(CCE)を提案する。 CCEは、ベースラインよりも構成的な概念表現を見つけ、下流の4つの分類タスクでより良い精度を得る。
論文参考訳（メタデータ） (2024-06-26T17:59:30Z)
ConceptBed: Evaluating Concept Learning Abilities of Text-to-Image Diffusion Models [79.10890337599166]
本研究では,284のユニークな視覚概念と33Kの合成テキストプロンプトからなる大規模データセットであるConceptBedを紹介する。我々は、対象、属性、スタイルのいずれかである視覚概念を評価し、また、構成性の4つの次元(計数、属性、関係、行動)を評価する。私たちの結果は、概念を学ぶことと、既存のアプローチが克服に苦労する構成性を維持することのトレードオフを示しています。
論文参考訳（メタデータ） (2023-06-07T18:00:38Z)
Concept Gradient: Concept-based Interpretation Without Linear Assumption [77.96338722483226]
概念活性化ベクトル(Concept Activation Vector, CAV)は、与えられたモデルと概念の潜在表現の間の線形関係を学習することに依存する。我々は、線形概念関数を超えて概念に基づく解釈を拡張する概念グラディエント(CG)を提案した。我々は、CGがおもちゃの例と実世界のデータセットの両方でCAVより優れていることを実証した。
論文参考訳（メタデータ） (2022-08-31T17:06:46Z)
Visual Concepts Tokenization [65.61987357146997]
本稿では,教師なしトランスフォーマーに基づく視覚概念トークン化フレームワーク VCT を提案する。これらの概念トークンを得るためには、概念トークン間の自己注意なしで画像トークン層から視覚情報を抽出するために、クロスアテンションのみを用いる。さらに,異なる概念トークンが独立した視覚概念を表現することを容易にするために,概念分離損失を提案する。
論文参考訳（メタデータ） (2022-05-20T11:25:31Z)

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。