解釈可能な物体検出と信頼できるマルチモーダルAIのための、Kolmogorov-Arnoldネットワークとビジョン・ランゲージ基盤モデルを組み込んだYOLOv10

要旨: 本稿では、新しいKolmogorov-Arnoldネットワーク・フレームワークの、解釈可能な物体検出能力を検討する。提案手法は、自動運転車の知覚をはじめ、コンピュータビジョンにおける重要な限界に言及する。これらのシステムは、視覚的に劣化した、または曖昧なシーンにおいて、信頼度スコアの信頼性に関する限られた透明性しか提供しない。この制限に対処するために、Kolmogorov-Arnoldネットワークを、事後的（post-hoc）な解釈可能な代理モデルとして用い、7つの幾何学的および意味的特徴を用いて、You Only Look Once（Yolov10）検出の信頼性（trustworthiness）をモデル化する。Kolmogorov-Arnoldネットワークの加法的スプライン（additive spline）ベースの構造により、各特徴の影響を直接可視化できる。これにより、モデルの自信（confidence）が十分に裏付けられている場合と、信頼性が低い場合とを明らかにする、滑らかで透明性の高い関数写像が得られる。Common Objects in Context（COCO）と、バース大学キャンパスの画像の両方に対する実験により、本フレームワークが、ブラー、遮蔽（occlusion）、または低いテクスチャ（low texture）下での低信頼（low-trust）予測を正確に特定できることが示される。これにより、フィルタリング、レビュー、または下流でのリスク低減に向けた実行可能な知見が提供される。さらに、ブートストラップ言語-画像（BLIP）の基盤モデルが、各シーンの記述的キャプションを生成する。このツールは、解釈可能性（interpretability）層に影響を与えることなく、軽量なマルチモーダル・インターフェースを可能にする。得られたシステムは、信頼できる信頼度推定値を伴う、解釈可能な物体検出を実現する。これは、自動運転およびマルチモーダルな人工知能アプリケーションに向けた、透明で実用的な知覚コンポーネントの強力な手段を提供する。