米葉病の検出のための定性・定量分析による説明可能なAIを用いたディープラーニングモデルの評価
Hari Kishan Kondaveeti1, Chinna Gopi Simhadri2
1School of Computer Science and Engineering, VIT-AP University, Amaravathi, 522237, Andhra Pradesh, India. kishan.kondaveeti@vitap.ac.in.
Scientific reports
|August 29, 2025
まとめ
この研究では,パフォーマンスメトリックと説明可能なAI (XAI) ビジュアライゼーションを組み合わせて,ディープラーニングモデルを評価するための新しい3段階の方法が紹介されています. ResNet50は最も正確で信頼性が高く,病気の検出のためのAIの透明性の必要性を強調しました.
科学分野:
- 人工知能
- 機械学習
- コンピュータ・ビジョン
背景:
- ディープラーニングモデルは 病気の検出に優れているが 透明性が欠けていて 信頼性の問題を提起しています
- モデルが関連する機能を使用しているかどうかを 評価しません
- 説明可能なAI (XAI) は,モデル決定を理解するために不可欠です.
研究 の 目的:
- ディープラーニングモデルの正確性と信頼性を評価するための3段階の方法論の開発と検証.
- 伝統的なパフォーマンスメトリックとXAIの可視化分析を組み合わせる.
- 分類性能と特徴選択の関連性を評価する.
主な方法:
- 8つの深層学習モデル (ResNet50,InceptionResNetV2,など) を評価した. ) でした.
- (1) 伝統的なメトリック (2) 特徴ビジュアライゼーションとIoU/DSC分析のためのLIME (3) 新しいオーバーフィット比メトリック
- 定量的に評価された特徴の選択と,無意味な特徴へのモデル依存.
主要な成果:
- ResNet50は最高精度 (99.13%) と信頼性 (IoU: 0.432,オーバーフィット比: 0.284) を達成しました.
- InceptionV3とEfficientNetB0は高い精度を示したが,機能の選択が不十分であった (低IOU,高オーバーフィッティング比率),潜在的な信頼性の問題を示した.
- 提案された方法論は,単純な精度を超えた包括的な評価を提供します.
結論:
- 開発された方法論は,ディープラーニングモデルの正確性と信頼性の評価を強化します.
- より信頼性の高いAIシステム,特に農業用アプリケーションの作成を可能にします.
- 汎用的な方法論は,透明なAIを必要とする他の領域に拡張できます.
