要約
AIシステムがその推論を説明する能力は、その有用性と信頼性にとって極めて重要である。深層ニューラルネットワークは視覚的な質問応答（Visual Question Answering, VQA）などの多くの難問に対して著しい進歩をもたらした。しかし、これらの多くは説明能力に制限のある不透明なブラックボックスである。本論文では、高パフォーマンスのVQAシステムを開発する新しい手法を提案する。このシステムは統合されたテキストと視覚的な説明を通じて、その基盤となる推論の重要な側面を忠実に反映させつつ、理解しやすい人間の説明スタイルを捉えることができる。広範な実験評価により、自動評価指標と人間評価指標の両面で競合手法に対する本手法の優位性が示されている。