Core Concepts
画像分類タスクの説明性を高めるには、勾配の大きさを考慮することが重要である。
Abstract
本論文では、新しい勾配ベースのXAI手法「Guided AbsoluteGrad」を提案している。この手法は、正の勾配と負の勾配の大きさの両方を活用し、勾配の分散を用いてノイズを低減する。
具体的には以下の通り:
入力画像に対して複数の変形を加え、それぞれの勾配を取得する
勾配の絶対値を取ることで勾配の大きさを特徴量とする
勾配の分散を用いてターゲットとなる領域を特定する
絶対勾配に分散ガイドを乗じたものを最終的な説明として出力する
また、新しい評価指標「ReCover And Predict (RCAP)」を提案している。RCAP は、説明の「局所化」と「ノイズレベル」の2つの目的を同時に評価できる。理論的な裏付けと実験的な検証を通して、RCAPがこれらの目的を適切に評価できることを示している。
実験では、ImageNet、ISIC、Places365の3つのデータセットとそれぞれの事前学習モデルを用いて、Guided AbsoluteGradと7つの勾配ベースのXAI手法を比較している。その結果、Guided AbsoluteGradが他の手法を上回る性能を示すことを確認した。
Stats
画像分類タスクにおいて、勾配の大きさを考慮することで説明性が向上する
提案手法のGuidedAbsoluteGradは、他の勾配ベースのXAI手法と比べて優れた性能を示す
Quotes
"画像分類タスクの説明性を高めるには、勾配の大きさを考慮することが重要である"
"ReCover And Predict (RCAP)は、説明の「局所化」と「ノイズレベル」の2つの目的を同時に評価できる"