Concetti Chiave
LIME画像の説明の質を改善するために、従来のモンテカルロサンプリングではなく、層化サンプリングを用いることで、合成近傍の従属変数の分布をより良く表現できる。
Sintesi
本論文では、LIME画像の説明の質を改善するための手法を提案している。LIME画像は、モデルに依存しない説明可能AI手法の1つで、入力画像の各領域の重要度を線形回帰モデルで近似する。しかし、従来のモンテカルロサンプリングでは、合成近傍の従属変数の分布が偏っていることが問題となっていた。
提案手法では、層化サンプリングを用いることで、合成近傍の従属変数の分布をより良く表現できるようにする。具体的には、マスクサンプルを各層(保持されるスーパーピクセルの数)から均等に抽出し、各サンプルに調整係数を乗じることで、バイアスを補正する。
実験では、ImageNetデータセットの画像を用いて評価を行った。提案手法は、従属変数の分布をより良く表現でき、特徴重要度ベクトルの変動係数が高くなり、より意味のある説明を生成できることを示している。
Statistiche
LIME画像の説明の質を定量的に評価するために、以下の指標を用いた:
RC(Y): 合成近傍の従属変数の分布の範囲カバレッジ
CV(β): 特徴重要度ベクトルの変動係数