手掛かり対立の信頼性とそれを超えて

要旨: ニューラルネットワークが視覚的手掛かりにどのように依存しているかを理解することは、その内部の意思決定プロセスを人間が解釈できる形で提供します。手掛かり対立ベンチマークは、形状と質感の嗜好を探る上で影響力を持ち、より強く人間のような形状バイアスが同域内の性能向上と関連するという洞察を動機づけてきました。しかし、我々は現在のスタイライズベースの実装が不安定で曖昧なバイアス推定を生み出すことがあると指摘します。具体的には、スタイライズは知覚的に有効で分離可能な手掛かりを信頼性高く具現化できず、相対的情報量を制御できない場合があります。比率ベースのバイアスは絶対的な手掛かり感度を隠してしまい、事前に選択されたクラスに対する評価を制限すると全決定空間を無視してモデルの予測を歪めることがあります。これらの要因は、嗜好を手掛かりの妥当性、手掛かりのバランス、識別可能性のアーティファクトと混同させるおそれがあります。我々は、信頼性が高く解釈可能な形状-質感バイアス診断のための統合データセットと評価フレームワークとしてREFINED-BIASを導入します。REFINED-BIASは、形状と質感の明示的な定義を用いて、人間およびモデルの両方に認識可能な手掛かりのペアをバランス良く構築し、全ラベル空間を通じた手掛かり特異的感度をランキングベースの指標で測定することで、公正な跨モデル比較を可能にします。多様な学習レジームとアーキテクチャに跨って、REFINED-BIASは跨モデル比較をより公正にし、形状と質感のバイアスをより忠実に診断し、より明確な経験的結論を提供し、以前の手掛かり対立の評価における信頼性の欠如を解消します。