教師ありコントラスト学習における特徴帰属の性質について

要旨: 分類のためのほとんどのニューラルネットワーク（NN）は、損失関数としてクロスエントロピーを用いて学習されます。この方法では、モデルに明示的な分類層が必要です。しかし、コントラスト学習（CL）のような代替アプローチも存在します。明示的に分類を行うのではなく、CLではNNが埋め込み（embedding）空間を生成し、類似したデータの射影が引き寄せられ、非類似なデータの射影が押し離されるようにします。教師ありCL（SCL）の場合、ラベルを類似性基準として採用するため、射影されたデータ点がよくクラスタ化された埋め込み空間が形成されます。SCLは、敵対的頑健性および分布外（out-of-distribution）検出に関して、CEに対する重要な利点を提供し、したがって安全性が重大なシナリオではより自然な選択となります。本論文では、実験的に、SCLで学習した画像分類用NNは、忠実性、複雑性、連続性の観点で、CLに比べてより高品質な特徴帰属（feature attribution）の説明を示すことを示します。これらの結果は、信頼でき透明性の高いNNを目指す際のCLベースのアプローチに関する先行知見を強化するものであり、実務者が学習目的の選択を行う際に、精度だけでなくモデルの透明性も対象にできるよう指針を与えます。