PulseAugur
中
实时 04:02:49
English(EN) Consistent Evidence, Robust Recognition: Faithful Attribution Regularization under Geometric Transformations

新的AI归因方法以最小的准确率损失提高了稳健性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，以提高AI模型归因方法的忠实度和一致性，尤其是在几何变换下。这种无需标注的方法使用子模搜索来识别驱动模型预测的证据，并引入子模排序损失来对齐跨变换输入的这些选择。在ImageNet数据集上的实验表明，对于ViT、ResNet-50和ConvNeXt-B等架构，在模型准确率影响极小的情况下，归因稳定性和稳健性得到了显著改善。 AI

影响 通过确保AI模型在不同输入变化下的推理一致性，增强了其可解释性和可靠性。

排序理由 该集群包含一篇详细介绍AI模型归因新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 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AI归因方法以最小的准确率损失提高了稳健性

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Xianghao Jiao, Ruoyu Chen, Wei Wang, Jiazi Hu, Jiawei Liang, Shangquan Sun, Shiming Liu, Qunli Zhang, Xiaochun Cao ·

    一致性证据，鲁棒性识别：几何变换下的忠实归因正则化

    arXiv:2607.23835v1 Announce Type: new Abstract: Attribution methods are widely used to characterize the evidence underlying model predictions, yet their potential to improve model behavior remains underexplored. Attribution inconsistency under label-preserving geometric transform…

相关实体

相关话题