プロトタイプ概念ガイド付きLoRAエキスパート混合による解釈可能な少数ショット画像分類

科学分野:

• コンピュータサイエンス
• 人工知能
• 機械学習

背景:

• 自己説明型モデル（SEM）は、解釈可能なビジュアル認識のためにプロトタイプ概念学習（PCL）を利用しています。
• SEMは、トレーニングデータの不足により、データが少ない設定でパフォーマンスが低下するという問題に直面しています。

研究 の 目的:

• データが少ない状況におけるSEMの限界に対処するために、少数ショットプロトタイプ概念分類（FSPCC）フレームワークを提案すること。
• 少数ショット条件下でのビジュアル認識システムの精度と解釈可能性の両方を向上させること。

主な方法:

• パラメータ効率の良い適応とバランスの取れたパラメータ割り当てのために、LoRAエキスパート混合（MoLE）を活用すること。
• 特徴表現をプロトタイプ概念活性化パターンに合わせるために、クロスモジュール概念ガイダンスを採用すること。
• 分離された決定境界のために、マルチレベルの特徴保持とジオメトリを認識する概念識別損失を組み込むこと。

主要な成果:

• FSPCCフレームワークは、少数ショット学習におけるパラメータの不均衡と表現のずれを体系的に軽減します。
• 6つのベンチマーク全体で、5-way 5-shot分類において4.2%-8.7%の相対的な精度向上を達成しました。
• データが少ないシナリオにおいて、既存のSEMと比較して一貫して優れたパフォーマンスを示しました。

結論:

• 概念学習と少数ショット適応を組み合わせることで、ビジュアル認識における精度と解釈可能性の両方が効果的に向上します。
• 提案されたFSPCCフレームワークは、より透明で堅牢なAIシステムを開発するための有望な方向性を提供します。
• この調査結果は、信頼性が高く解釈可能なAIモデルにとって、データ不足に対処することの重要性を強調しています。