Core Concepts
제안된 방법 MoXI(Model eXplanation by Interactions)는 개별 픽셀의 기여도뿐만 아니라 픽셀 간 상호작용을 고려하여 이미지 분류기의 예측에 큰 영향을 미치는 픽셀 그룹을 효율적이고 정확하게 식별한다.
Abstract
이 연구는 이미지 분류 모델의 예측에 큰 영향을 미치는 픽셀 그룹을 식별하는 문제를 다룬다. 기존 연구들은 개별 픽셀의 기여도를 측정하여 중요 픽셀을 식별하였지만, 이는 픽셀 간 협력적 영향을 고려하지 않는다는 한계가 있었다.
제안된 방법 MoXI는 게임 이론 개념인 Shapley 값과 상호작용을 활용하여 개별 픽셀의 기여도뿐만 아니라 픽셀 간 협력적 영향까지 고려한다. 이를 통해 모델 예측에 가장 큰 영향을 미치는 픽셀 그룹을 효율적이고 정확하게 식별할 수 있다.
구체적으로 MoXI는 두 가지 접근법을 사용한다. 첫째, 픽셀 삽입 접근법은 마스킹된 이미지에 점진적으로 픽셀을 추가하면서 모델 예측 신뢰도 향상을 측정한다. 둘째, 픽셀 삭제 접근법은 원본 이미지에서 점진적으로 픽셀을 제거하면서 모델 예측 실패를 측정한다. 이 두 접근법에서 MoXI는 Shapley 값과 상호작용을 활용하여 중요 픽셀 그룹을 식별한다.
실험 결과, MoXI는 기존 방법들에 비해 더 적은 수의 픽셀로도 높은 분류 정확도를 달성하거나, 더 적은 수의 픽셀 제거로도 분류 실패를 유발하는 것으로 나타났다. 이는 MoXI가 모델 예측에 가장 중요한 픽셀 그룹을 효과적으로 식별한다는 것을 보여준다.
Stats
이미지 분류기의 예측 신뢰도는 전체 이미지의 4%만 보여도 90%에 달한다.
이미지에서 10%의 픽셀만 제거해도 분류기의 정확도가 16%로 크게 떨어진다.
Quotes
"제안된 방법은 개별 픽셀의 기여도뿐만 아니라 픽셀 간 협력적 영향까지 고려하여 모델 예측에 가장 중요한 픽셀 그룹을 식별한다."
"실험 결과, 제안 방법은 기존 방법들에 비해 더 적은 수의 픽셀로도 높은 분류 정확도를 달성하거나, 더 적은 수의 픽셀 제거로도 분류 실패를 유발하는 것으로 나타났다."