传递性恢复分解:可解释且鲁棒的细粒度关系
计算机视觉与模式识别
2023-10-25 v1 机器学习
摘要
细粒度表示学习的最新进展利用局部到全局(涌现)关系取得了最先进的结果。然而,此类方法所依赖的关系表示是抽象的。我们旨在通过将其表达为图像视图上的可解释图来解构这种抽象。我们首先从理论上证明,抽象关系表示无非是恢复局部视图间传递性关系的一种方式。基于此,我们设计了传递性恢复分解(TRD),一种图空间搜索算法,可在实例与类别层面上识别抽象涌现关系的可解释等价形式,且无需任何事后计算。我们还进一步证明 TRD 对噪声视图具有可证明的鲁棒性,经验证据亦支持该发现。后者使得 TRD 在保持完全可解释的同时,性能与最先进水平相当甚至更优。实现代码见 https://github.com/abhrac/trd。
引用
@article{arxiv.2310.15999,
title = {Transitivity Recovering Decompositions: Interpretable and Robust Fine-Grained Relationships},
author = {Abhra Chaudhuri and Massimiliano Mancini and Zeynep Akata and Anjan Dutta},
journal= {arXiv preprint arXiv:2310.15999},
year = {2023}
}
备注
Neural Information Processing Systems (NeurIPS) 2023