論文の概要: Engram Memory Network: Brain-Inspired Prototype Explanations

• arxiv url: http://arxiv.org/abs/2610.27770v1
• Date: Tue, 20 Oct 2026 07:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.699569
• Title: Engram Memory Network: Brain-Inspired Prototype Explanations
• Title（参考訳）: Engram Memory Network:Brain-Inspireed Prototype Explanations
• Abstract要約: 説明可能なAIのプロトタイプベースのモデルは、忠実な説明として視覚的に類似した例を検索する能力に注目が集まっている。 我々は、認知神経科学、特に人間の記憶システムからの洞察に基づいて、認識を支援する表現に入力関連情報をエンコードする。 本研究では,ヒト脳の腹側頭葉皮質と腹側頭葉皮質をエミュレートするモデルとして,EMN(Engram Memory Network)を提案する。
• 参考スコア（独自算出の注目度）: 11.407697960152928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence systems are increasingly deployed in high-stakes decision-making. In response, prototype-based models in explainable AI have attracted growing attention for their ability to retrieve visually similar examples as faithful explanations. Although these models achieve competitive classification accuracy, they often exhibit degraded explanation quality across datasets with varying characteristics, limiting their practical applicability. We draw on insights from cognitive neuroscience, particularly the human memory system, which encodes input-relevant information into representations that support recognition. We propose an Engram Memory Network (EMN), a model that emulates the ventral visual stream and inferior temporal cortex in the human brain. Central to this model is a Hopfield-inspired memory module that iteratively retrieves representative prototypes. These memory-refined latents are used for both reconstruction and classification, encouraging the selected prototypes to capture input-relevant information across diverse datasets. To address the lack of standardized evaluation for prototype explanations, we assess three complementary aspects: perceptual similarity (LPIPS and DISTS) for perceived resemblance, subclass alignment, measuring whether prototypes match the input's fine-grained category beyond supervised labels, and information preservation (NMI), measuring how much input information is captured by selected prototypes. Experiments show that EMN improves visual similarity by 17.06%, subclass alignment by 104.57%, and NMI by 42.42% on average across CIFAR-10/100, MNIST, HAM10000, and CUB-200, while achieving the highest average classification accuracy (87.62%) among all methods. These findings underscore the effectiveness of neuroscience-inspired explanation mechanisms in advancing the interpretability and reliability of prototype-based models.
• Abstract（参考訳）: 人工知能システムは、高い意思決定にますます活用されている。 これに対し、説明可能なAIのプロトタイプベースのモデルは、忠実な説明として視覚的に類似した例を検索する能力に注目が集まっている。 これらのモデルは、競合する分類精度を達成するが、様々な特徴を持つデータセット間で劣化した説明品質を示し、実用性を制限する。 我々は、認知神経科学、特に人間の記憶システムからの洞察に基づいて、認識を支援する表現に入力関連情報をエンコードする。 本研究では,ヒト脳の腹側頭葉皮質と腹側頭葉皮質をエミュレートするモデルとして,EMN(Engram Memory Network)を提案する。 このモデルの中心はホップフィールドにインスパイアされたメモリモジュールで、代表プロトタイプを反復的に取り出す。 これらのメモリ精製潜水剤は、再構築と分類の両方に使用され、選択されたプロトタイプが多様なデータセットにわたる入力関連情報をキャプチャすることを奨励する。 プロトタイプ説明の標準化評価の欠如に対処するため, 知覚的類似性(LPIPS, DISTS), サブクラスアライメント(サブクラスアライメント), プロトタイプが教師付きラベルを超えた入力のきめ細かいカテゴリに適合するかどうか, 情報保存(NMI) の3つの相補的側面を評価した。 CIFAR-10/100、MNIST、HAM10000、CUB-200において、EMNは視覚的類似度を17.06%改善し、サブクラスアライメントは104.57%、NMIは42.42%改善し、全ての手法の中で最も高い分類精度(87.62%)を達成した。 これらの知見は, 神経科学にインスパイアされた説明機構が, プロトタイプベースモデルの解釈可能性, 信頼性の向上に有効であることを示すものである。

関連論文リスト

• SIDE: Sparse Information Disentanglement for Explainable Artificial Intelligence [9.975642488603937]
  プロトタイプパートベースのニューラルネットワークは、概念レベルの説明を提供することによって、有望なソリューションとして登場した。 本稿では,SIDE(Sparse Information Disentanglement for Explainability)を提案する。
  論文  参考訳（メタデータ） (2025-07-25T14:34:15Z)
• A Quantitative Evaluation of the Expressivity of BMI, Pose and Gender in Body Embeddings for Recognition and Identification [56.10719736365069]
  我々は,学習した特徴と特定の属性の相互情報として定義された表現性の概念を拡張し,属性のエンコード方法の定量化を行う。 その結果,BMIは最終層において高い表現性を示し,認識におけるその支配的な役割を示していることがわかった。 これらの結果は,ReIDにおける身体属性の中心的役割を示し,属性駆動相関を明らかにするための原則的アプローチを確立した。
  論文  参考訳（メタデータ） (2025-03-09T05:15:54Z)
• Through the Static: Demystifying Malware Visualization via Explainability [15.43868945929965]
  畳み込みニューラルネットワーク(CNN)の堅牢性と説明可能性について検討する。 本研究は,6つのCNNモデルを複製し,その落とし穴を探索することによって,これらのギャップに対処する。 このアプローチは、データセット全体で2%から8%のF1スコアを大幅に改善する。
  論文  参考訳（メタデータ） (2025-03-04T09:38:50Z)
• Verbalized Representation Learning for Interpretable Few-Shot Generalization [162.2636511438425]
  Verbalized Representation Learning (VRL)は、オブジェクト認識のための人間の解釈可能な特徴を自動的に抽出する新しいアプローチである。 本手法は,クラス間の差異とクラス内共通点を自然言語形式で把握する。 VRLは従来の最先端手法よりも24%の絶対的な改善を実現している。
  論文  参考訳（メタデータ） (2024-11-27T01:55:08Z)
• Enhanced Prototypical Part Network (EPPNet) For Explainable Image Classification Via Prototypes [16.528373143163275]
  画像分類のためのEPPNet(Enhanced Prototypeal Part Network)を導入する。 EPPNetは、分類結果を説明するために使用可能な関連するプロトタイプを発見しながら、強力なパフォーマンスを実現している。 CUB-200-2011 データセットによる評価の結果,EPPNet は最先端の xAI ベースの手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-08T17:26:56Z)
• An Information Compensation Framework for Zero-Shot Skeleton-based Action Recognition [49.45660055499103]
  ゼロショットの人間の骨格に基づく行動認識は、トレーニング中に見られるカテゴリ外の行動を認識するモデルを構築することを目的としている。 従来の研究では、シーケンスの視覚的空間分布と意味的空間分布の整合性に焦点が当てられていた。 強固で頑健な表現を得るために,新たな損失関数サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-02T06:53:01Z)
• Prospector Heads: Generalized Feature Attribution for Large Models & Data [82.02696069543454]
  本稿では,説明に基づく帰属手法の効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。 入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
  論文  参考訳（メタデータ） (2024-02-18T23:01:28Z)
• Learning with Mixture of Prototypes for Out-of-Distribution Detection [25.67011646236146]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングデータから遠く離れたテストサンプルを検出することを目的としている。 サンプルの多様性を捉えるために,各クラスを複数のプロトタイプでモデル化したプロトタイプ混在型学習法(PALM)を提案する。 提案手法はCIFAR-100ベンチマークにおいて93.82の最先端平均AUROC性能を実現する。
  論文  参考訳（メタデータ） (2024-02-05T00:52:50Z)
• Rethinking interpretation: Input-agnostic saliency mapping of deep visual classifiers [28.28834523468462]
  Saliencyメソッドは、入力特徴をモデル出力に寄与させることで、ポストホックモデルの解釈を提供する。 入力特異性マッピングは本質的に誤解を招く特徴の帰属に影響を受けやすいことを示す。 本稿では,モデルが持つ高次特徴をその出力に対して計算的に推定する,入力非依存のサリエンシマッピングの新たな視点を紹介する。
  論文  参考訳（メタデータ） (2023-03-31T06:58:45Z)
• A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
  このデータセットをRIVAL10と呼びます。 本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。 本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
  論文  参考訳（メタデータ） (2022-01-26T06:31:28Z)

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。