論文の概要: Vocabulary Aligned Explanations for Computer Vision Models
- arxiv url: http://arxiv.org/abs/2611.01391v1
- Date: Sun, 01 Nov 2026 00:54:23 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:14:52.197845
- Title: Vocabulary Aligned Explanations for Computer Vision Models
- Title（参考訳）: コンピュータビジョンモデルのための語彙適応的説明法
- Abstract要約: FLUENTは、共同で要求された、代替的、そして欠落した概念を組み合わせた専門家による規則をランク付けする。
それぞれのルールは、そのルールで言及されている概念への代入を満足するサポートを計算し、これらのスコアを正規化し、候補説明間の信頼を表現する。
これらのイラストは、ドメインに馴染みのないエンドユーザに、説明に名前のついたコンセプトがどのようなものかを示すためのものだ。
- 参考スコア（独自算出の注目度）: 20.357280524494023
- License:
- Abstract: Optimizing vision models for accuracy does not force the model to learn and utilize human-understandable and domain-specific concepts and rules. We propose explaining image classifications through domain-specific concepts, visual evidence, and expert knowledge expressed as logical rules. We introduce FLUENT (Framework for Localized, Uncertainty-Aware Explanations in Normative Terminology), a post-hoc framework that ranks expert-authored rules combining jointly required, alternative, and absent concepts. To account for prediction errors, FLUENT combines predicted labels and concept states with empirically estimated likelihoods and concept priors. It scores each rule by calculating support over satisfying assignments to the concepts mentioned in that rule, then normalizes these scores to express relative confidence among candidate explanations. The selected rule is illustrated through occlusion-based highlights for positive concept mentions in the query image and localized examples in retrieved reference images for negative mentions. These illustrations are intended to show end users unfamiliar with the domain what the concepts named in an explanation look like. FLUENT combines domain knowledge and model accuracy, and delivers visual concept highlights and explicit rule confidence to explain an image in the vocabulary of an application domain.
- Abstract（参考訳）: 精度を最適化するために視覚モデルを最適化することは、人間が理解しうる、ドメイン固有の概念やルールを学習し、活用することを強制しない。
本稿では,ドメイン固有の概念,視覚的エビデンス,論理ルールとして表現される専門家の知識を通じて,画像分類を説明する。
FLUENT (Framework for Localized, Uncertainty-Aware Explanations in Normative Terminology) は、専門家が要求するルールと代替概念、欠落概念を組み合わせたポストホックフレームワークである。
予測誤差を説明するため、FLUENTは予測されたラベルと概念状態と経験的に推定される推定可能性と概念事前を組み合わせている。
それぞれのルールは、そのルールで言及されている概念への割り当てを満足するサポートを計算し、これらのスコアを正規化し、候補説明間の相対的な信頼を表現する。
選択されたルールは、クエリ画像における肯定的な概念参照のためのオクルージョンベースのハイライトと、検索された参照イメージにおける負の言及のためのローカライズされた例によって説明される。
これらのイラストは、ドメインに馴染みのないエンドユーザに、説明に名前のついたコンセプトがどのようなものかを示すためのものだ。
FLUENTはドメインの知識とモデルの精度を組み合わせて、視覚的な概念のハイライトと明確なルールの信頼性を提供し、アプリケーションドメインの語彙で画像を説明する。
関連論文リスト
- ConEx: Human-Interpretable Saliency Maps via Concept-Aware Attribution [15.141689275747519]
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。
論文 参考訳（メタデータ） (2026-10-03T15:48:24Z) - 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) - CE-FAM: Concept-Based Explanation via Fusion of Activation Maps [29.496537151017616]
活性化マップ(CE-FAM)の融合による概念ベース説明
本稿では,CE-FAM(Fusion of Activation Maps)による概念ベース説明法を提案する。
提案手法は,注釈付きデータセットを必要とせず,任意の概念を扱うためにVLM知識を活用しながら,概念領域とそのコントリビューションを識別するための一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-09-28T12:40:53Z) - Knowledge graphs for empirical concept retrieval [1.06378109904813]
概念に基づく説明可能なAIは、あるユーザの前提における複雑なモデルの理解を改善するツールとして期待されている。
本稿では,テキスト領域と画像領域の両方でユーザ主導のデータ収集を行うワークフローを提案する。
我々は,概念アクティベーションベクトル(CAV)と概念アクティベーション領域(CAR)の2つの概念ベース説明可能性手法を用いて,検索した概念データセットをテストする。
論文 参考訳（メタデータ） (2024-04-10T13:47:22Z) - CEIR: Concept-based Explainable Image Representation Learning [0.4198865250277024]
本稿では,概念に基づく説明可能な画像表現(CEIR)を導入し,ラベルに依存しない高品質な表現を導出する。
提案手法は, CIFAR10, CIFAR100, STL10などのベンチマーク上で, 最先端の非教師付きクラスタリング性能を示す。
CEIRは、微調整なしで、オープンワールドイメージから関連概念をシームレスに抽出することができる。
論文 参考訳（メタデータ） (2023-12-17T15:37:41Z) - Implicit Concept Removal of Diffusion Models [92.55152501707995]
テキスト・ツー・イメージ(T2I)拡散モデルはしばしば、透かしや安全でない画像のような望ましくない概念を不注意に生成する。
幾何学駆動制御に基づく新しい概念除去手法であるGeom-Erasingを提案する。
論文 参考訳（メタデータ） (2023-10-09T17:13:10Z)
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。