エンドツーエンドの特徴アラインメント：本質的クラス帰属を備えたシンプルなCNN

要旨: 本稿では、エンドツーエンドの特徴整合（feature alignment）による固有のクラス帰属を備えた試作CNNアーキテクチャであるFeature-Align CNN（FA-CNN）を提示する。私たちの直感は、Linear層やConv2D層のような順序なしの操作を用いることで、不必要なシャッフルや意味概念の混合が生じ、その結果として、生の特徴マップが理解しにくくなるというものである。そこで、順序を保持する新しい層として、減衰付きスキップ接続（dampened skip connection）と、グローバル平均プーリング分類ヘッド（global average pooling classifier head）の2つを導入する。これらの層は、モデルが生の入力ピクセルから最終的なクラスのロジットに至るまで、エンドツーエンドで特徴整合を維持することを強制する。このエンドツーエンドの整合により、生の特徴マップが本質的にクラス帰属を示すことが可能になり、モデルの解釈可能性が向上する。さらに、FA-CNNの直前（penultimate）特徴マップがGrad-CAMのサリシー（saliency）マップと同一であることを理論的に証明する。加えて、これらの特徴マップがネットワークの深さ方向に沿って層ごとにゆっくりと変形（モーフィング）し、ペンアルティメットのクラス活性へ向けて特徴がどのように進化するかを示すことも証明する。FA-CNNはベンチマークの画像分類データセットで良好な性能を示す。さらに、パーセント画素削除（percent pixels removed）の解釈可能性タスクにおいて、平均化したFA-CNNの生特徴マップをGrad-CAMおよびパーミュテーション（置換）手法と比較する。本研究は、議論と今後の展望（限界およびハイブリッドモデルに向けた拡張を含む）によって締めくくる。