PCNN：確率的クラスに近い近傍解釈は、AIおよび人間のための細粒度画像分類精度を向上させる

近傍（Nearest Neighbors, NN）は従来、サポートベクターマシンやk-NN分類器などにおいて最終的な判断を算出する手段として用いられてきたほか、モデルの判断根拠をユーザーに説明するための手段としても活用されてきた。本論文では、近傍の新たな応用を提示する。具体的には、固定された事前学習済み画像分類器Cの予測性能を向上させるために近傍を利用する手法を提案する。本手法では、画像比較器Sを活用し、（1）入力画像をCによって予測された上位K個の確率的クラスに属する近傍画像と比較する；（2）Sから得られるスコアを用いて、Cの信頼度スコアを重み付けし、予測結果を精緻化する。実験結果から、本手法はCUB-200、Cars-196、Dogs-120の3つのデータセットにおいて、微細な画像分類精度を一貫して向上させた。さらに、ヒューマンスタディの結果、ユーザーに「確率的クラス近傍（Probable-Class Nearest Neighbors, PCNN）」を提示することで、AIへの過度な依存が軽減され、従来のトップ1クラス例のみを提示する手法に比べてユーザーの判断精度が向上することが明らかになった。