초록
본 논문은 재현 커널 힐베르트 공간(RKHS)을 기반으로 하는 종속성 측정인 힐베르트-슈미트 독립성 기준(HSIC)을 활용한 새로운 효율적인 블랙박스 속성 방법을 제시합니다. HSIC는 분포의 커널 임베딩을 통해 입력 이미지의 영역과 모델의 출력 간의 종속성을 측정하여, RKHS 표현 능력을 활용한 설명을 제공합니다. HSIC는 매우 효율적으로 추정될 수 있어, 다른 블랙박스 속성 방법에 비해 계산 비용을 크게 줄일 수 있습니다. 우리의 실험 결과는 HSIC가 이전 최고의 블랙박스 속성 방법보다 최대 8배 더 빠르면서도 동일한 충실성을 유지한다는 것을 보여줍니다. 실제로, 우리는 여러 최근 모델 아키텍처에서 Imagenet에 대한 여러 충실성 지표에서 블랙박스와 화이트박스 속성 방법의 최신 기술(SOTA)를 개선하거나 일치시키고 있습니다. 특히, 이러한 발전이 YOLOv4와 같은 객체 검출 모델을 효율적이고 충실하게 설명하는 데에도 적용될 수 있음을 보여주었습니다. 마지막으로, 우리는 전통적인 속성 방법을 확장하여 HSIC를 기반으로 하는 ANOVA 유사 직교 분해를 가능하게 하는 새로운 커널을 제안하였습니다. 이를 통해 각 이미지 패치뿐만 아니라 그들의 쌍별 상호작용의 중요성을 평가할 수 있게 되었습니다. 본 연구의 구현은 https://github.com/paulnovello/HSIC-Attribution-Method에서 확인할 수 있습니다.