Making Sense of Dependence: Efficient Black-box Explanations Using Dependence Measure

要約

この論文は、再生核ヒルベルト空間（RKHS）に基づく依存性測度であるヒルベルト-シュミット独立基準（HSIC）に基づく新しい効率的なブラックボックス帰属法を提示します。
HSICは、分布のカーネル埋め込みに基づいて、入力画像の領域とモデルの出力の間の依存関係を測定します。
したがって、RKHS表現機能によって強化された説明を提供します。
HSICは非常に効率的に推定でき、他のブラックボックスアトリビューション手法と比較して計算コストを大幅に削減します。
私たちの実験によると、HSICは、これまでの最高のブラックボックスアトリビューション手法よりも最大8倍高速でありながら、忠実であることが示されています。
実際、Imagenetのいくつかの忠実度メトリックの最新のブラックボックスとホワイトボックスの両方のアトリビューション方法を、さまざまな最近のモデルアーキテクチャと改善または一致させています。
重要なのは、これらの進歩を、YOLOv4などのオブジェクト検出モデルを効率的かつ忠実に説明するために置き換えることができることを示しています。
最後に、HSICに基づく重要度スコアの直交分解を可能にする新しいカーネルを提案することにより、従来の帰属方法を拡張し、各画像パッチの重要性だけでなく、それらのペアワイズ相互作用の重要性も評価できるようにします。

要約(オリジナル)

This paper presents a new efficient black-box attribution method based on Hilbert-Schmidt Independence Criterion (HSIC), a dependence measure based on Reproducing Kernel Hilbert Spaces (RKHS). HSIC measures the dependence between regions of an input image and the output of a model based on kernel embeddings of distributions. It thus provides explanations enriched by RKHS representation capabilities. HSIC can be estimated very efficiently, significantly reducing the computational cost compared to other black-box attribution methods. Our experiments show that HSIC is up to 8 times faster than the previous best black-box attribution methods while being as faithful. Indeed, we improve or match the state-of-the-art of both black-box and white-box attribution methods for several fidelity metrics on Imagenet with various recent model architectures. Importantly, we show that these advances can be transposed to efficiently and faithfully explain object detection models such as YOLOv4. Finally, we extend the traditional attribution methods by proposing a new kernel enabling an orthogonal decomposition of importance scores based on HSIC, allowing us to evaluate not only the importance of each image patch but also the importance of their pairwise interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google