PulseAugur
实时 10:26:58
English(EN) MiSS: A Logic-Driven Explanation of Minimal Sufficient Coalitions for Point Cloud Classifiers

新的MiSS框架解释3D点云分类器决策

研究人员开发了MiSS,一个用于解释3D点云分类器决策的新颖框架。这个黑盒系统使用扰动相对充分性推理来识别对分类器预测有贡献的几何区域的最小充分联盟。MiSS将候选联盟的提议与其验证分开,采用加权MaxSAT过程进行提议,并使用统计预言机进行验证。在PointNet和PointMLP分类器上对ModelNet40和ShapeNet数据集进行的实验表明,与现有的基于规则的方法相比,MiSS实现了更高的精度和覆盖率,同时还减少了解释时间。 AI

影响 提供了一种理解和调试3D点云AI模型的新方法,有望提高信任度和可靠性。

排序理由 该集群包含一篇详细介绍新AI模型解释框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的MiSS框架解释3D点云分类器决策

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Mengda Xing (UA, CRIL), Jean-Marie Lagniez (UA, CRIL) ·

    MiSS: A Logic-Driven Explanation of Minimal Sufficient Coalitions for Point Cloud Classifiers

    arXiv:2607.24074v1 Announce Type: new Abstract: We present MiSS, a black-box, query-based framework for explaining 3D point cloud classifiers through perturbation-relative sufficiency reasoning. MiSS treats a superpoint partition as an interpretable abstraction layer and asks whe…