論文の概要: Seeing Why: Exact Evidence Maps for Quantum and Optical Image Classifiers

• arxiv url: http://arxiv.org/abs/2611.01993v2
• Date: Tue, 03 Nov 2026 12:24:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.307322
• Title: Seeing Why: Exact Evidence Maps for Quantum and Optical Image Classifiers
• Title（参考訳）: 量子および光学画像分類器の正確なエビデンスマップ
• Abstract要約: クラスが非情報共有以上のボルン確率である$P_g - b_g$は、エンコードされた振幅のコントリビューションに分割され、図上ではボルンエビデンスマップ(BEM)として示される。 gtimes g$ mapは1 + 2g2$ runである。 IBMのibm_kingstonでは、300枚のテスト画像が37.7%、偶然に10%(正確なシミュレーションでは56.3%)に分類され、10枚の正しく分類された画像の2時間2ドルのマップは、規定されたルールによって選択されたクラスごとに1枚ずつ、正確なものと一致した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When an image classifier decides, we can usually only estimate why. For quantum and all-optical classifiers that act linearly on amplitude-encoded pictures up to the measurement, with no trained classical network before or after them, each class's Born probability above its no-information share, $P_g - b_g$, splits exactly into contributions of the encoded amplitudes, shown as Born evidence maps (BEM) over the picture. The split itself follows from known results on quadratic forms: with the transmitted light held fixed, it is what Integrated Gradients from a zero baseline and the Shapley value give. What we add is a way to measure it on the hardware that classifies, from class probabilities on a quantum chip or from camera frames on a lens bench, with no gradient circuit and no light sent backwards; a $g\times g$ map takes $1 + 2g^2$ runs. Deleting the 5% of pixels with the highest evidence drops accuracy from 73% to 9%, as occlusion does with 1,024 extra runs per picture, whereas gradient saliency removes much less. The classifiers share one architecture, a Fourier-plane mask followed by a brickwall circuit on qubits or by phase plates on a lens bench, read by a fixed Born headroom readout with no trained parameter; centring each picture on its own mean lets dark features count as much as bright ones. In simulation, four phase plates at a single wavelength reach 72.3% on Caltech-10 colour photographs. On IBM's ibm_kingston, with the mask applied before approximate loading, 300 test pictures were classified at 37.7% against 10% by chance (56.3% in exact simulation), and $2\times2$ maps of ten correctly classified pictures, one per class chosen by a stated rule, measured on the chip, agreed with the exact ones ($r = 0.77$). The maps also revealed a shortcut in the data; as the trim that removed it was chosen on test pictures, the Caltech-10 results are exploratory.
• Abstract（参考訳）: 画像分類器が決定すると、通常は理由を推測するだけである。 振幅符号化された画像に線形に作用する量子および全光学分類器では、その前後に訓練された古典的ネットワークが存在しないため、各クラスのボルン確率は、その非情報共有の上位にある$P_g - b_g$は、画像上のボルンエビデンスマップ(BEM)として示されるように、エンコードされた振幅のコントリビューションに正確に分割される。 この分割自体は、2次形式の既知の結果から従う: 透過光が固定された状態では、ゼロ基底線からの積分勾配とシャプリー値が与えるものである。 量子チップのクラス確率やレンズベンチのカメラフレームのクラス確率から、勾配回路がなく、光が後方に送信されないハードウェアで、g\times g$ mapは1ドル+2g^2$で動く。 5%のピクセルを最も高い証拠で削除することは精度を73%から9%に下げる。 分類器は1つのアーキテクチャを共有しており、フーリエ平面マスクにクビット上のレンガウォール回路、またはレンズベンチ上のフェーズプレートが続く。 シミュレーションでは、単一波長の4つの位相板がカルテック-10カラー写真で72.3%に達する。 IBMのibm_kingstonでは、マスクを近似ロード前に塗布し、300枚のテスト画像が37.7%、偶然に10%(正確なシミュレーションでは56.3%)と分類された。 地図はデータのショートカットも明らかにしており、除去されたトリムはテスト画像で選ばれたため、Caltech-10の結果は探索的である。

関連論文リスト

• Accuracy Is Not Enough: An Efficiency- and Statistics-Aware Benchmark of ResNet50 and Vision Transformer for Explainable Multi-Class Gastrointestinal Diseases Classification [0.0]
  パブリックなKvasirデータセット上の8クラスGI分類のためのResNet50とViT-B/16の制御可能なベンチマークを示す。 クロスバリデーションでは、ResNet50とViT-B/16は92.12%の精度で91.70%に達し、+/-3パーセンテージのマージンで等価となった。
  論文  参考訳（メタデータ） (2026-10-25T00:39:12Z)
• Real Data Closes Synthetic-to-Real Gap in Optical Chemical Structure Recognition [7.493576538485066]
  OCSRは合成画像ではほとんど解決されていないが、実際の文書では難しい。 21の認識者は、合成された構造の混合物を微調整し、特許、雑誌、手描きのコレクションから実際の描写をラベル付けした。
  論文  参考訳（メタデータ） (2026-08-10T04:01:53Z)
• Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
  私たちは検出器を構築し、その証拠として属性マップを添付します。 私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。 属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
  論文  参考訳（メタデータ） (2026-07-31T16:07:05Z)
• Where Am I? Semantic Map Grounding via Vision-Language Models for Multi-Modal Localization [0.0]
  我々は,GPSを用いた屋内環境におけるロボットのローカライゼーションをセマンティック推論タスクとして再検討することで解決する。 人間が対象レベルの手がかりやラベル付き地図を使ってローカライズする方法に触発されて、正面カメラ画像が与えられた視覚言語モデルがロボットのポーズを推測できるかどうかを問う。 我々は、Qwen2.5-VL-7BをLoRAで微調整し、連続的なポーズ座標を予測する軽量回帰ヘッドを装着する。
  論文  参考訳（メタデータ） (2026-07-01T15:37:29Z)
• Visual Aesthetic Benchmark: Can Frontier Models Judge Beauty? [59.923111838399144]
  本稿では,視覚的審美性ベンチマーク (VAB) を提案する。 VABには400のタスクと1,195のイメージが芸術、写真、イラストに含まれており、ラベルはタスクごとに10人の独立した専門家審査員のコンセンサスから導かれる。 最強のシステムは、人間の専門家が達成した68.9%よりもはるかに低い26.5%のタスクで、候補順の3つのランダムな順で、最良の画像と最悪の画像の両方を正しく識別する。
  論文  参考訳（メタデータ） (2026-05-12T19:33:28Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• BEiT v2: Masked Image Modeling with Vector-Quantized Visual Tokenizers [117.79456335844439]
  マスク付き予測のための再構成ターゲットとして,セマンティックリッチなビジュアルトークン化器を提案する。 次に、マスクされた画像パッチに対する元の視覚トークンを予測して、視覚変換器を事前訓練する。 画像分類とセマンティックセグメンテーションの実験は、我々のアプローチがMIM法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-08-12T16:48:10Z)
• Combined Scaling for Zero-shot Transfer Learning [146.0851484769142]
  我々は,ImageNet ILSVRC-2012バリデーションセットにおいて,85.7%のトップ1の精度を達成できるBASICと組み合わせたスケーリング手法を提案する。 この精度はCLIPとALIGNの9.3%を超える。 我々のモデルは、ロバストネスベンチマークの大幅な改善も示しています。
  論文  参考訳（メタデータ） (2021-11-19T05:25:46Z)
• Block-wise Image Transformation with Secret Key for Adversarially Robust Defense [17.551718914117917]
  提案する変換を実現するために,Pixel Shuffling, Bit Flipping, FFX Encryptionの3つのアルゴリズムを開発した。 CIFAR-10とImageNetのデータセット上で、ブラックボックスとホワイトボックスの両方を用いて実験を行った。 提案したディフェンスは,適応攻撃下においてもクリーン画像の精度を高い精度で達成する。
  論文  参考訳（メタデータ） (2020-10-02T06:07:12Z)
• Facial Emotions Recognition using Convolutional Neural Net [0.6091702876917281]
  本稿では,畳み込みニューラルネットワーク(CNN)を用いた顔認識システムを提案する。 深層学習モデルはデータから学習するため,提案システムでは各画像を様々な事前処理ステップで処理し,予測精度を向上する。 組み合わせたデータセットを用いて,最大78.1パーセントの精度を達成した。
  論文  参考訳（メタデータ） (2020-01-06T09:43:06Z)

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。