層別関連性伝搬最適化によるバックグラウンドバイアスに対する深層ニューラルネットワーク一般化とロバスト性の改善【JST・京大機械翻訳】

Bassi Pedro R. A. S.; Dertkigil Sergio S. J.; Cavalli Andrea

プレプリント

J-GLOBAL ID：202202212102052252 整理番号：22P0282844

層別関連性伝搬最適化によるバックグラウンドバイアスに対する深層ニューラルネットワーク一般化とロバスト性の改善【JST・京大機械翻訳】

Improving deep neural network generalization and robustness to background bias via layer-wise relevance propagation optimization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年02月01日プレプリントサーバーでの情報更新日： 2024年01月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

画像背景における特徴は,背景バイアスを表す画像クラスと偽相関する。それらは,分類器の決定に影響し,ショートカット学習(Cleve Hans効果)を引き起こす。現象は,標準評価データセット上でよく機能する深層ニューラルネットワーク(DNN)を生成するが,実世界データにはほとんど一般化しない。層別関連性伝搬(LRP)はDNNの決定を説明する。ここでは,LRP熱マップの最適化が,ショートカット学習を妨げる深い分類器に対する背景バイアスの影響を最小化できることを示した。実行時間の計算コストを増加させることによって,この方法は光と高速である。さらに,それは事実上任意の分類アーキテクチャに適用する。画像背景に合成バイアスを注入後,この手法(ISNet)を8つの最先端のDNNに比較し,バックグラウンドバイアスに対する優れたロバスト性を定量的に示した。混合データセットは,COVID-19と胸部X線による結核分類に一般的であり,背景バイアスを助長する。肺に焦点を合わせて,ISNetはショートカット学習を減らした。このように,外部(外部分布)試験データベースに関する一般化性能は,すべての実装ベンチマークモデルを著しく凌駕した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, , , , , , , ,

前のページに戻る