Core Concepts
그래디언트의 크기(magnitude)를 활용하여 더 나은 설명 가능한 AI 기법을 제안한다.
Abstract
이 논문은 설명 가능한 AI(XAI) 기법 중 하나인 Guided AbsoluteGrad를 제안한다. 이 방법은 긍정적 및 부정적 그래디언트의 크기를 모두 활용하고, 그래디언트 분산을 이용하여 중요 영역을 구분한다.
논문은 다음과 같이 구성된다:
기존 그래디언트 기반 XAI 방법들의 한계를 분석하고, 그래디언트 크기의 중요성을 강조한다.
새로운 평가 지표인 ReCover And Predict(RCAP)를 제안한다. RCAP는 설명의 위치 정확도와 시각적 노이즈 수준을 동시에 평가한다.
ImageNet, ISIC, Places365 데이터셋과 ResNet50, EfficientNet, DenseNet161 모델을 사용하여 Guided AbsoluteGrad와 7개의 SOTA 그래디언트 기반 XAI 방법을 비교 실험한다.
실험 결과, Guided AbsoluteGrad가 RCAP와 다른 SOTA 지표에서 가장 우수한 성능을 보인다.
Stats
그래디언트의 크기가 클수록 중요한 특징을 더 잘 설명할 수 있다.
그래디언트 분산이 큰 영역은 중요한 특징일 가능성이 높다.
Quotes
"그래디언트의 크기(magnitude)가 중요한 특징 귀속에 중요한 역할을 한다."
"RCAP 지표는 설명의 위치 정확도와 시각적 노이즈 수준을 동시에 평가한다."