Less is More: Fewer Interpretable Region via Submodular Subset Selection 적은 것이 더 좋다: 하위 집합 선택을 통한 해석 가능한 영역의 감소

이미지 속성 할당 알고리즘은 모델 결정과 높은 관련성이 있는 중요한 영역을 식별하는 것을 목표로 합니다. 기존의 속성 할당 방법들이 대상 요소에 효과적으로 중요성을 할당할 수 있지만, 여전히 다음과 같은 도전 과제를 직면하고 있습니다: 1) 기존 속성 할당 방법들은 정확하지 않은 작은 영역을 생성하여 올바른 속성 할당 방향을 오도하고, 2) 모델은 잘못 예측된 샘플에 대해 좋은 속성 결과를 생성할 수 없습니다. 이러한 도전 과제들을 해결하기 위해, 본 논문에서는 이미지 속성 문제를 부분 집합 선택 문제로 재모델링하여 더 적은 영역으로 모델 해석성을 향상시키는 것을 목표로 합니다. 지역 영역에 대한 주목 부족을 해결하기 위해, 우리는 더 정확한 작은 해석 영역을 발견하기 위한 새로운 부분 집합 함수를 구성하였습니다. 모든 샘플의 속성 효과를 향상시키기 위해, 우리는 신뢰도, 효과성, 일관성 및 협업 점수라는 네 가지 다른 제약 조건을 하위 영역 선택에 적용하여 다양한 부분 집합의 중요성을 평가합니다. 또한, 우리의 이론적 분석은 제안된 함수가 실제로 부분 집합 함수임을 입증합니다.다양한 실험 결과는 제안된 방법이 두 개의 얼굴 데이터셋(Celeb-A와 VGG-Face2)과 하나의 세부적인 데이터셋(CUB-200-2011)에서 최신(SOTA) 방법들을 능가함을 보여줍니다. 올바르게 예측된 샘플에 대해서는 제안된 방법이 HSIC-Attribution에 비해 평균적으로 삭제(Deletion) 점수와 삽입(Insertion) 점수에서 각각 4.9%와 2.5%의 상대적 개선을 보였습니다. 잘못 예측된 샘플에 대해서는 우리의 방법이 평균 최고 신뢰도 점수와 삽입(Insertion) 점수에서 각각 HSIC-Attribution 알고리즘보다 81.0%와 18.4%의 개선을 달성하였습니다. 코드는 https://github.com/RuoyuChen10/SMDL-Attribution에서 제공됩니다.