要旨：現代のニューラルネットワークは高い性能を達成しているが、高次元の視覚領域では解釈が難しい。反事実説明（CFEs）は、入力を最小限変更してモデル出力を変えることを特定することにより、ブラックボックス予測の解釈に対して原理的なアプローチを提供します。しかし、既存のCFE手法は多くの場合データセット特有の生成モデルに依存し、相当な計算コストがかかり、高解像度データへのスケーラビリティを制限します。私たちは、事前学習済みの生成型ファウンデーションモデルをタスク固有の再学習なしに活用する、反事実生成のスケーラブルなフレームワークSCE-LITE-HQを提案します。本手法は生成器の潜在空間で動作し、最適化の安定性を向上させるために平滑化された勾配を取り入れ、マスクベースの多様化を適用して、現実的で構造的に多様な反事実を促進します。自然データセットと医療データセットの両方を対象に、望ましい性質に基づく評価プロトコルを用いてSCE-LITE-HQを評価します。結果は、SCE-LITE-HQが有効で現実的かつ多様な反事実を生成し、既存のベースラインと競合するか、それを上回る一方で、専用の生成モデルを訓練する手間を回避することを示しています。
返却形式: {"translated": "翻訳されたHTML"}
