自己説明型画像分類モデルのFew-shotファインチューニングにおける説明能力ベクトルの効果（第88回情報処理学会全国大会） Effects of Explainability Vectors on Few-Shot Fine-Tuning of Self-Explaining Image Classifiers（IPSJ2026）

黒堂裕也(千葉工業大学, STAIRアルバイト), 吉川友也

概要

画像分類タスクにおいて，大規模データセットで事前学習した，分類と説明を一度に行える自己説明型モデルのパラメータから，判断根拠を可視化できる説明能力ベクトルを計算し，タスク算術に基づいて下流タスクの分類専用モデルに適用することで，下流タスクで自己説明型モデルを追加訓練なしで構築できる．しかし，下流タスクにおける説明の正解データを使用していないため，説明性能に関しては改善の余地がある．そこで本研究では，このように構築した下流タスクの自己説明型モデルを訓練の初期値として使用することで，分類専用モデルに新規に説明能力を学習させる場合と比較して，少数の説明の正解データで説明性能が改善することを示す．